Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 | 31 |
Tags
- 컬렉션 인터페이스
- GIT
- 차원증가
- 스프링 부트3
- db
- openai
- oracle
- WinError5
- 프로그래머스
- 컬렉션 프레임웍
- Java
- 셀레니움
- h2 데이타베이스
- 스프링 부트
- 사이킷런 회귀
- Python
- 쓰레드 풀
- 사이킷런
- 오라클
- 완주하지못한선수
- Selenium
- 알고리즘
- REST API
- 머신러닝
- 파이썬
- URI 원칙
- streamlit
- 자바 열거형
- 자바 로그 레벨
- conda remove
Archives
- Today
- Total
노트 :
피처 스케일링과 정규화 본문
피처스케일링(Feature Scaling)이란 서로 다른 변수의 값 범위를 일정한 수준으로 맞추는 작업이다.
대표적인 방법으로 표준화(Standardization)과 정규화(Normalization)가 있다.
1. 표준화(Standardization)
1) 정의: 데이터의 피처 각각을 평균이 0이고 분산이 1인 가우시안 정규 분포를 가진 값으로 변환하는 것
2) 표준화 식
2. 정규화(Normalization)
1) 정의: 서로 다른 피처의 크기를 통일하기 위해 크기를 변환해주는 것(개별 데이터의 크기를 모두 똑같은 단위로 변경함)
2) 정규화 식
'ML' 카테고리의 다른 글
선형회귀 평가지표 (with Scikit-learn) (0) | 2023.05.14 |
---|---|
Scikit-learn - 데이터 인코딩 (0) | 2023.04.08 |
활성화 함수 구현하기 (0) | 2023.03.27 |
반응형 머신러닝 앱을 만드는 가장 빠른 방법 - gradio (0) | 2023.03.04 |
DALL-E 2 (0) | 2023.03.03 |