ফিচার স্কেলিং মেশিন লার্নিং অ্যালগরিদম তৈরিতে ডেটা প্রাক-প্রসেসিং পর্যায়ে একটি গুরুত্বপূর্ণ ধাপ। এটি একটি নির্দিষ্ট পরিসরের মধ্যে ডেটাকে স্বাভাবিক করতে সাহায্য করে।
মাঝে মাঝে, এটি মেশিন দ্বারা গণনা করা হয় এমন গতি বাড়াতেও সাহায্য করে।
এর প্রয়োজন কেন?
ইনপুট হিসাবে শেখার অ্যালগরিদমে দেওয়া ডেটা সামঞ্জস্যপূর্ণ এবং কাঠামোগত থাকা উচিত। মানগুলি কার্যকরভাবে ভবিষ্যদ্বাণী করার জন্য ইনপুট ডেটার সমস্ত বৈশিষ্ট্য একটি একক স্কেলে হওয়া উচিত। কিন্তু বাস্তব-বিশ্বে, ডেটা অসংগঠিত, এবং বেশিরভাগ সময় একই স্কেলে নয়।
এটি যখন স্বাভাবিককরণ ছবিতে আসে। এটি সবচেয়ে গুরুত্বপূর্ণ তথ্য-প্রস্তুতি প্রক্রিয়াগুলির মধ্যে একটি। এটি একই স্কেলে পড়ার জন্য ইনপুট ডেটাসেটের কলামের মান পরিবর্তন করতে সাহায্য করে৷
আসুন আমরা বুঝতে পারি কিভাবে স্কিট লার্ন লাইব্রেরি পাইথনে ফিচার স্কেলিং করতে ব্যবহার করা যেতে পারে।
উদাহরণ
sklearn import preprocessinginput_data =np.array([[34.78, 31.9, -65.5],[-16.5, 2.45, -83.5],[0.5, -87.98, 45.5.8, [0.5, -87.98, 45.62,]- 55.82]])data_scaler_minmax =preprocessing.MinMaxScaler(feature_range=(0,1))data_scaled_minmax =data_scaler_minmax.fit_transform(input_data)মুদ্রণ ("\nস্কেল করা ডেটা হল \n", data_scaled_minmax )আউটপুট
স্কেল করা ডেটা হল[[1. 1. 0.1394052 ][0। 0.75433767 0. ][0.33151326 0. 1. ][0.43681747 0.75375375 0.21437423]]
ব্যাখ্যা
-
প্রয়োজনীয় প্যাকেজগুলি আমদানি করা হয়৷
-
Numpy লাইব্রেরি ব্যবহার করে ইনপুট ডেটা তৈরি করা হয়।
-
'প্রিপ্রসেসিং' ক্লাসে উপস্থিত MinMaxScaler ফাংশনটি 0 এবং 1 রেঞ্জে পড়ার জন্য ডেটা স্কেল করতে ব্যবহৃত হয়।
-
এইভাবে, অ্যারের যেকোন ডেটা 0 এবং 1 এর মধ্যে একটি মানের স্কেল করা হয়।
-
এই স্কেল করা ডেটা কনসোলে প্রদর্শিত হয়৷
৷
