Skala Min-Maks

Termasuk bagian Statistik untuk ML dalam perjalanan Machine Learning di Coddy. Pelajaran 48 dari 64.

Penskalaan min-maks memberi setiap fitur kesempatan yang adil: di setiap kolom, nilai terkecil menjadi 0, nilai terbesar menjadi 1, dan nilai lainnya berada di antaranya.

Tambahkan seseorang berusia 40 tahun dengan penghasilan $80,000, lalu skalakan keempatnya:

Usia dan penghasilan empat pelanggan dalam sebuah tabel, sebuah panah, lalu tabel yang sama setelah diskalakan: di setiap kolom, nilai terkecil menjadi 0.00 dan nilai terbesar 1.00, diarsir lebih gelap, sedangkan nilai lainnya berada di antaranya

Broadcasting melakukannya dalam satu baris, dengan nilai terkecil dan rentang masing-masing kolom:

X = np.array([[25, 52000],
              [61, 53000],
              [26, 55000],
              [40, 80000]])
lows = X.min(axis=0)
highs = X.max(axis=0)
scaled = (X - lows) / (highs - lows)

Sekarang usia juga ikut dihitung. Tetangga terdekat pelanggan 0 bukan lagi yang berusia 61 tahun:

Pelanggan yang telah diskalakan sebagai titik-titik pada persegi dari 0 hingga 1, dengan garis dari pelanggan 0: pelanggan berusia 26 tahun paling dekat dengan jarak 0.11, pelanggan berusia 61 tahun berjarak 1.00, pelanggan berpenghasilan $80,000 berjarak 1.08

Satu nilai ekstrem menjadi 1 dan membuat nilai lainnya mendekati 0, sehingga min-max cocok untuk kolom tanpa pencilan.

Tantangan

Sedang

Seorang peracik kopi mencocokkan kopi yang menghasilkan seduhan serupa. Setiap baris beans adalah kopi: suhu air (C), waktu seduh (s), dan kafein (mg). Program membaca posisi i dan j; fungsi awal distance(a, b) mengukur jarak antara dua sampel.

Skalakan beans dengan min-maks.
Cetak Every column from 0 to 1:, lalu tabel yang sudah diskalakan dengan 2 angka desimal.
Cetak jarak keduanya sebelum dan sesudah penskalaan, seperti di bawah ini.

Untuk tiga kopi lainnya, posisi 0 dan 1:

Every column from 0 to 1:
[[1.   1.   0.67]
 [0.5  0.5  0.  ]
 [0.   0.   1.  ]]
Coffees 0 and 1: 63.28 apart before scaling, 0.97 after

Coba sendiri

import numpy as np


# Mengembalikan jarak antara dua sampel (dari Why Scale Features)
def distance(a, b):
    return np.sqrt(((a - b) ** 2).sum())


# Satu baris untuk setiap kopi: suhu air dalam C, waktu penyeduhan dalam detik, kafein dalam mg
beans = np.array([[88, 120, 60],
                  [96, 300, 30],
                  [86, 90, 70],
                  [94, 240, 120],
                  [90, 180, 90],
                  [84, 60, 50]])
i = int(input())
j = int(input())

# Tulis kodemu di bawah ini

Uji dirimu

Pelajaran ini berisi kuis singkat. Mulai pelajarannya untuk menjawab kuis dan melacak progresmu.

Semua pelajaran di Statistik untuk ML

3Probabilitas melalui Simulasi

Probabilitas sebagai Frekuensi Hukum Bilangan Besar Jumlah Mata Dadu Nilai Harapan Probabilitas Bersyarat Rangkuman: Peluang di Lapak Dadu

6Hubungan

Membaca Diagram Pencar Korelasi Matriks Korelasi Peta Panas Korelasi Korelasi Bukan Sebab-Akibat Rangkuman: Es Krim dan Matahari

9Skala Fitur

Mengapa Fitur Perlu DiskalakanSkala Min-MaksStandardisasi StandardScaler Rekap: Rekan Mendaki

12Tantangan Akhir

Keterlambatan Kereta Kualitas Udara Kimia Anggur Survei Klinik

Latihan sendiri: Compiler Python online