Data Science - собесы

🤔 Почему в картинках используют StandardScaling вместо MinMaxScaling ? Использование методов нормализации данных, таких как StandardScaling и MinMaxScaling, зависит от особенностей данных и задач машинного обучения. В задачах обработки изображений StandardScaling (стандартизация) часто предпочтительнее MinMaxScaling (масштабирование к диапазону), и вот почему: 🚩Standard Scaling (стандартизация) Заключается в преобразовании данных таким образом, чтобы они имели нулевое среднее значение и единичное стандартное отклонение. 🟠Сохранение распределения данных Стандартизация сохраняет распределение данных, но изменяет масштаб. Это особенно важно для алгоритмов, чувствительных к масштабу данных, таких как градиентный спуск. 🟠Гибкость при разных диапазонах Изображения часто содержат пиксели с различными интенсивностями, и стандартизация помогает унифицировать данные, что улучшает сходимость моделей. 🟠Работа с алгоритмами Многие алгоритмы машинного обучения, такие как линейные модели и нейронные сети, лучше работают с данными, у которых нулевое среднее и единичное стандартное отклонение. Это помогает ускорить обучение и улучшить сходимость. from sklearn.preprocessing import StandardScaler import numpy as np # Пример изображения (грейскейл) image = np.array([[0, 50, 100], [150, 200, 255], [30, 70, 120]]) # Преобразование в одномерный массив image_flattened = image.flatten().reshape(-1, 1) # Стандартизация scaler = StandardScaler() image_scaled = scaler.fit_transform(image_flattened) # Возвращение к оригинальной форме image_standardized = image_scaled.reshape(image.shape) print(image_standardized) 🚩Min-Max Scaling (масштабирование к диапазону) Заключается в преобразовании данных таким образом, чтобы они находились в заданном диапазоне, обычно от 0 до 1. 🟠Простота интерпретации Преобразованные данные легко интерпретировать, так как все значения находятся в одном диапазоне. 🟠Подходит для некоторых задач Может быть полезно для алгоритмов, которые не зависят от нормальности данных, таких как методы на основе деревьев решений. 🟠Чувствительность к выбросам Масштабирование к диапазону очень чувствительно к выбросам, что может сильно исказить распределение данных. 🟠Сложность работы с градиентными методами Для методов, использующих градиенты, Min-Max Scaling может привести к неравномерным шагам в оптимизации, особенно если данные имеют различную дисперсию. from sklearn.preprocessing import MinMaxScaler import numpy as np # Пример изображения (грейскейл) image = np.array([[0, 50, 100], [150, 200, 255], [30, 70, 120]]) # Преобразование в одномерный массив image_flattened = image.flatten().reshape(-1, 1) # Масштабирование к диапазону 0-1 scaler = MinMaxScaler() image_scaled = scaler.fit_transform(image_flattened) # Возвращение к оригинальной форме image_minmax_scaled = image_scaled.reshape(image.shape) print(image_minmax_scaled) Ставь 👍 и забирай 📚 Базу знаний