🧠 Verpasse es nicht! Erhalte kostenlosen Zugang zu meiner Skool-Community – vollgepackt mit Ressourcen, Tools und Unterstützung, um dir bei Daten, Machine Learning und KI-Automatisierungen zu helfen! 📈
https://www.skool.com/data-and-ai-automations-4579Heute schauen wir uns an, wie wir Feature Scaling auf Datensätze innerhalb von scikit-learn in Python anwenden können. Dies ist nützlich, wenn Normalisierung oder Standardisierung auf Daten angewendet wird, was es Machine Learning-Modellen ermöglicht, besser zu funktionieren.
Der Datensatz ist auf meinem Github verfügbar
📧 E-Mail: ryannolandata@gmail.com
🍿 NÄCHSTES ANSCHAUEN
In diesem Video führe ich dich durch das Feature Scaling in Python mit scikit-learn, um deine Machine Learning-Modelle zu verbessern. Feature Scaling transformiert numerische Werte auf die gleiche Skala, wodurch deine Daten konsistenter und deine Modelle genauer werden. Ich behandle zwei wesentliche Methoden: Normalisierung und Standardisierung.
Normalisierung skaliert Daten zwischen 0 und 1 mit dem MinMaxScaler, der funktioniert, indem er deinen Wert minus das Minimum nimmt und durch den Bereich teilt. Standardisierung hingegen erstellt einen Mittelwert von null und eine Standardabweichung von eins mit dem StandardScaler, ähnlich einer Normalverteilung. Im Gegensatz zur Normalisierung kann die Standardisierung negative Werte und Zahlen größer als eins verarbeiten, was sie besser für Datensätze mit Ausreißern geeignet macht.
Ich demonstriere beide Techniken mit echten Baseballstatistiken von 465 Spielern und 13 verschiedenen Merkmalen. Du wirst genau sehen, wie du die Scaler aus sklearn.preprocessing importierst, deine Daten anpasst und transformierst und die Ergebnisse zurück in saubere Pandas-Datenrahmen konvertierst. Ich vergleiche auch die Ergebnisse nebeneinander, damit du sehen kannst, wie jede Methode deine Daten unterschiedlich verändert, einschließlich der Untersuchung des Mittelwerts, der Standardabweichung, der minimalen und maximalen Werte vor und nach dem Scaling.
ZEITSTEMPEL
00:00 Einführung in Feature Scaling
01:35 Daten mit Pandas einrichten
03:00 Datenübersicht und Vorbereitung
04:40 Erstellen der Variablen X1 und X2
05:17 Implementierung des Standard Scalers
06:45 Überprüfung der standardisierten Daten
08:15 Implementierung des Min Max Scalers
09:27 Vergleich von Standardisierung vs. Normalisierung
10:45 Endergebnisse und Zusammenfassung
ANDERE SOZIALE MEDIEN:
Wer ist Ryan
Ryan ist Data Scientist bei einem Fintech-Unternehmen, wo er sich auf Betrugsprävention in der Kreditvergabe und Risikobewertung konzentriert. Zuvor arbeitete er als Datenanalyst bei einem Steuersoftwareunternehmen. Er hat einen Abschluss in Elektrotechnik von der UCF.
Wer ist Matt
Matt ist der Gründer von Width.ai, einer Agentur für KI und Machine Learning. Bevor er sein eigenes Unternehmen gründete, war er Machine Learning Engineer bei Capital One.
*Dies ist ein Affiliate-Programm. Wir erhalten einen kleinen Teil des endgültigen Verkaufs ohne zusätzliche Kosten für dich.