กระบวนการแปลงช่วงของค่าเป็นช่วงค่ามาตรฐานเรียกว่านอร์มัลไลเซชัน ค่าเหล่านี้อาจอยู่ระหว่าง -1 ถึง +1 หรือ 0 ถึง 1 ข้อมูลสามารถทำให้เป็นมาตรฐานได้โดยใช้การลบและการหารด้วย
ให้เราเข้าใจว่า L2 normalization ทำงานอย่างไร เป็นที่รู้จักกันว่า 'Least Squares' การทำให้เป็นมาตรฐานนี้จะแก้ไขข้อมูลในลักษณะที่ผลรวมของกำลังสองของข้อมูลยังคงเป็น 1 ในทุกแถว
มาดูกันว่าการปรับมาตรฐาน L2 สามารถทำได้โดยใช้ Scikit เรียนรู้ใน Python ได้อย่างไร -
ตัวอย่าง
import numpy as np
from sklearn import preprocessing
input_data = np.array(
[[34.78, 31.9, -65.5],[-16.5, 2.45, -83.5],[0.5, -87.98, 45.62],[5.9, 2.38, -55.82]]
)
normalized_data_l2 = preprocessing.normalize(input_data, norm='l2')
print("\nL2 normalized data is \n", normalized_data_l2) ผลลัพธ์
L2 normalized data is [[ 0.43081298 0.39513899 -0.81133554] [-0.19377596 0.02877279 -0.98062378] [ 0.00504512 -0.88774018 0.4603172 ] [ 0.10501701 0.04236279 -0.99356772]]
คำอธิบาย
-
แพ็คเกจที่จำเป็นจะถูกนำเข้า
-
ข้อมูลอินพุตถูกสร้างขึ้นโดยใช้ไลบรารี Numpy
-
ฟังก์ชัน 'normalize' ที่มีอยู่ในคลาส 'preprocessing' จะใช้เพื่อทำให้ข้อมูลเป็นมาตรฐาน โดยที่ผลรวมของค่ากำลังสองในทุกแถวจะเป็น 1
-
ประเภทของการทำให้เป็นมาตรฐานถูกระบุเป็น 'l2'
-
ด้วยวิธีนี้ ข้อมูลใดๆ ในอาร์เรย์จะถูกทำให้เป็นมาตรฐาน และผลรวมของกำลังสองของทุกแถวจะเป็น 1 เท่านั้น
-
ข้อมูลที่ทำให้เป็นมาตรฐานนี้จะแสดงบนคอนโซล
