機械学習:中央化とスケーリングの目的を理解する

機械学習:中央化とスケーリングの目的を理解する' -> '機械学習:中央化とスケーリングの目的を理解する

変換器の使用(MinMaxScaler、StandardScaler、RobustScaler)

Scaling, Image by Flo on OpenSea

はじめに

この記事では、中央値とスケーリングの概念について紹介します。実世界のユースケースを使用して、データの中央化とスケール化の利点について説明します。

Scikit-Learnの準備ができたメソッドを使用して、単純な計算と説明に入ります。

技術的には、MinMaxScaler、StandardScaler、RobustScalerを比較します。これらは、前処理を容易にする変換器のメソッドの一部です。

最後に、データの中央化とスケーリングの目的を理解し、準備ができたScikit-Learnの変換器を使用できるようになります。

中央化とスケーリングとは?

概念の理解

スケーリングはデータを特定の範囲やスケールに変換し、中央化はデータポイントをシフトしてその平均がゼロになるようにします。以下に例を示します。

Image by Flo

データのスケーリングと中央化の効果が見られます。右側では、データが0周りに中央化され、短いスケール(X軸およびY軸)で表示されています。

利点

データの中央化とスケーリングにはいくつかの利点がありますが、スケーリングに関しては以下が重要です:

  • アルゴリズムのパフォーマンスの向上:距離を使用するK-Nearest Neighbors(KNN)やK-Meansなどのアルゴリズムは、データ間の距離に敏感です。データのスケールを縮小することで、パフォーマンスを向上させます。
  • 特徴量の正規化:データセットにスケールの異なる特徴量が含まれている場合、データのスケーリングにより、大きな値を持つ特徴量に過剰な重要性を与えることを避けることができます。
  • データの比較の改善:データのスケールが同じであるため、データの比較が容易になります。
  • 数値的な問題の防止:データのスケーリングにより、オーバーフローやアンダーフロー(数値が非常に小さいまたは大きい場合)などの問題を防ぐことができます。
  • 外れ値の影響の軽減

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

AI研究

アリババAI研究所が提案する「Composer」は、数十億の(テキスト、画像)ペアで訓練された、巨大な(50億パラメータ)コントロール可能な拡散モデルです

現在、テキストベースの生成画像モデルは、多様な写真のような画像を生成することができるようになりました。最近の多くの取...

機械学習

Word2Vec、GloVe、FastText、解説

コンピューターは我々と同じように単語を理解することができませんコンピューターは数字を扱うことが好きですですから、コン...

機械学習

このAIニュースレターは、あなたが必要とするすべてです #56

今週、オープンソースとクローズドモデルの両方で、LLMの世界にいくつかの新しい競合他社が登場しました印象的な機能を持つに...

機械学習

「AIとブロックチェーンの交差点を探る:機会と課題」

今日私たちが見ている世界を変えるAIをブロックチェーンに統合することに関連する機会と課題を探索してください

人工知能

ワンダーダイナミックスの使い方:自分自身を3Dキャラクターに変身させる方法

ボタンをクリックするだけで、自分自身を3Dアニメーションキャラクターに変身させることができます

人工知能

レオナルド・ダ・ヴィンチ:天才の心の内部

世界中の28の機関が力を合わせ、レオナルド・ダ・ヴィンチの比類のない遺産を紹介し、芸術、科学、AIイノベーションを融合させる