Κλιμάκωση Χαρακτηριστικών (Feature Scaling)

Definition

Η κλιμάκωση χαρακτηριστικών τυποποιεί το εύρος των μεταβλητών εισόδου για να αποτρέψει τα χαρακτηριστικά με μεγαλύτερο μέγεθος από το να κυριαρχήσουν στη διαδικασία μάθησης. Κοινές μέθοδοι περιλαμβάνουν την κανονικοποίηση (κλιμάκωση min-max) και την πρότυπη

Summary

Η διαδικασία κανονικοποίησης του εύρους των ανεξάρτητων μεταβλητών ή χαρακτηριστικών των δεδομένων για να διασφαλιστεί η ομοιομορφία στο μέγεθος.

Key Concepts

• Κανονικοποίηση (Normalization)
• Τυποποίηση (Standardization)
• Κλίση κατιούσας (Gradient descent)
• Προεπεξεργασία δεδομένων (Data preprocessing)

Use Cases

• Εκπαίδευση νευρωνικών δικτύων
• Συστάδαση K-means
• Μηχανές Υποστήριξης Διανυσμάτων (SVM)

Code Example

1
2
3
4
5
6
7

from sklearn.preprocessing import StandardScaler
import numpy as np

X = np.array([[1, 2], [3, 4], [5, 6]])
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
print(X_scaled)

Related Terms

• Min-Max Scaling (Κλιμάκωση Min-Max)
• Z-score Normalization (Κανονικοποίηση Z-score)
• Data preprocessing (Προεπεξεργασία δεδομένων)
• Gradient Descent (Κλίση κατιούσας)