سرفصل‌ها درس 14 از 246 · ماژول 1: پایتون برای این دوره
ماژول 1: پایتون برای این دوره

میانگین، پراکندگی و نرمال‌سازی

چرا مهم است شبکه‌ها وقتی یک ورودی در حد هزاران و دیگری نزدیک صفر است بد آموزش می‌بینند. نرمال‌سازی همهٔ ورودی‌ها را هم‌تراز می‌کند.

میانگین همان متوسط است. پراکندگی (انحراف معیار) تقریباً این است که مقدارها در یک روز معمولی چقدر از میانگین فاصله دارند. برای نرمال کردن یک ستون: میانگینش را کم کنید، سپس بر پراکندگی‌اش تقسیم کنید. پس از آن ستون میانگین 0 و پراکندگی 1 دارد.

اعداد کوچک

اندازهٔ خانه‌ها 50، 100، 150 متر مربع: میانگین 100، پراکندگی حدود 40.8. نرمال‌شده: حدود -1.22، 0، 1.22. اتاق‌خواب‌ها 1، 2، 3: میانگین 2، پراکندگی حدود 0.82، نرمال‌شده به همان -1.22، 0، 1.22. حالا هر دو ورودی با یک مقیاس حرف می‌زنند.

انحراف معیار: ریشهٔ دوم میانگین مربع فاصله از میانگین. np.std آن را محاسبه می‌کند.

یک دام: ستونی که همهٔ مقدارهایش یکسان است پراکندگی 0 دارد و تقسیم بر 0 خراب می‌شود. چنین ستونی را صفر رها کنید.

خلاصه (x - mean) / spread، برای هر ستون، با محافظی برای پراکندگی 0.

واژه‌ها و نمادهای این درس
آرایه
یک بلوک NumPy از اعداد، همه از یک نوع، که روی همهٔ اقلام با هم ریاضی انجام می‌دهد
میانگین، پراکندگی
متوسط، و تقریباً اینکه مقدارها چقدر از آن فاصله دارند (انحراف معیار)
نوبت شما

normalise(X) را برای یک آرایهٔ دوبعدی بنویسید: هر ستون میانگین 0 و پراکندگی 1 می‌گیرد. ستونی با پراکندگی 0 تماماً صفر می‌شود. بدون حلقه روی ردیف‌ها.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.