Özet - Ölçeklendirme
- Makine Öğrenmesi kursu
- Başlangıç
- Ders 80/112
- 6 dk
Bu grupta StandardScaler, MinMaxScaler ve Pipeline'ı öğrendin.
Özet: ölçeklendirme
Bu grupta:
- Farklı birimli özellikler mesafe ve gradyan tabanlı modelleri bozar; ağaçlar etkilenmez.
StandardScaler(z-skoru),MinMaxScaler([0, 1]),RobustScaler(medyan/IQR).- Ölçekleyici yalnızca eğitim verisinde fit edilir;
inverse_transformgeri çevirir. Pipelineön işleme ve modeli birleştirir, sızıntıyı önler;adım__parametreile ayarlanır.
Uygulama Ölçekleyici seçimi
Aykırı değer içeren x için MinMaxScaler ve RobustScaler sonuçlarını ravel().round(2) ile alt alta yazdır.
Başlangıç kodu
import numpy as np
from sklearn.preprocessing import MinMaxScaler, RobustScaler
x = np.array([[10.0], [12.0], [11.0], [13.0], [90.0]])
# buraya yazÖrnek çözüm
import numpy as np
from sklearn.preprocessing import MinMaxScaler, RobustScaler
x = np.array([[10.0], [12.0], [11.0], [13.0], [90.0]])
print(MinMaxScaler().fit_transform(x).ravel().round(2))
print(RobustScaler().fit_transform(x).ravel().round(2))Beklenen çıktı
[0. 0.03 0.01 0.04 1. ] [-1. 0. -0.5 0.5 39. ]
Soru ve cevaplar
Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.
1 Hangisi veri sızıntısına yol açar?
- Ölçekleyiciyi X_train ile fit etmek
- Ağaç modelini ölçeksiz eğitmek
- Ölçekleyiciyi tüm veriyle fit edip sonra bölmek Doğru cevap
- Pipeline kullanmak
Açıklama: Test kümesinin istatistikleri ölçeğe karışır; skor iyimser çıkar.
2 Adları otomatik veren pipeline oluştur.
Soru
pipe = ____(StandardScaler(), LogisticRegression())
Cevap
pipe = make_pipeline(StandardScaler(), LogisticRegression())Açıklama: make_pipeline sınıf adlarının küçük harfli hâlini adım adı yapar.
3 Formülleri eşleştir.
| Kavram | Anlamı |
|---|---|
StandardScaler |
(x - ortalama) / std |
MinMaxScaler |
(x - min) / (max - min) |
RobustScaler |
(x - medyan) / IQR |
inverse_transform |
Özgün birime dönüş |