İçeriğe geç

Makine Öğrenmesi Verilerin Normalize veya Standartlaştırılması

Makine öğrenmesinde verilerimizin birbirlerinden bağımsız kolonlara sahip olabilirler bizim bu kolonları birbirlerine göre standartize veya normalleştirmemiz gerekir. Bu işlemler farklı işlemlerdir ama seçim şansı bize bağlıdır ikisi arasındaki farklı açıklamayacağım. Bunun hakkında detaylı bilgi almak için buradan yararlanabilirsiniz.

Her ikisinin kullanımı da oldukça basit, daha önce yazmış olduğum kodda sadece ufak tefek eklemeler ile hem normalize hemde standartlaştırabiliyorum.

from sklearn.preprocessing import normalize
from sklearn.preprocessing import StandardScaler
cevir=pd.DataFrame(data=cevir, index=range(len(cevir)), columns=['y'])
#Normalize Etme İşlemi
sonuc_normalize=normalize(sonuc)
#Standart
scaler = StandardScaler()
sonuc_standard=scaler.fit_transform(sonuc)
x_train, x_test, y_train, y_test=tts(sonuc_standard, cevir, test_size=0.3, random_state=0)
print x_train

2 adet kütüphane ekleniyor. Normalize için tek satır da normalize ve data frame göndererek normalize edebiliyorum. Standartlaştırma için ise fit_transform işlemi ile gerçekleştiriyorum.

Artık kendi yazdığım sınıf ve verilerimi tamamen yönetebildiğime göre testler için algoritmalara geçebilirim. Bu algoritmaların sayısı oldukça fazla ben uğraştıkça bu sınıf üzerinden verileri test edip kullanımları ile birlikte buraya ekleme çalışacağım.

 

Tarih:Makine Öğrenmesi

İlk Yorumu Siz Yapın

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir