Mean, spread और normalise करना
यह क्यों मायने रखता है Networks बुरी तरह train होते हैं जब एक input हज़ारों में और दूसरा शून्य के पास हो। Normalise करना हर input को एक ही धरातल पर रखता है।
mean औसत है। spread (standard deviation) मोटे तौर पर यह है कि एक आम दिन पर मान mean से कितनी दूर बैठते हैं। एक column normalise करने के लिए: उसका mean घटाएँ, फिर उसके spread से भाग दें। बाद में column का mean 0 और spread 1 है।
छोटी संख्याएँ
घर के आकार 50, 100, 150 वर्ग मीटर: mean 100, spread लगभग 40.8। Normalised: लगभग -1.22, 0, 1.22। शयनकक्ष 1, 2, 3: mean 2, spread लगभग 0.82, उन्हीं -1.22, 0, 1.22 तक normalised। अब दोनों inputs एक ही पैमाना बोलते हैं।
Standard deviation: mean से औसत squared दूरी का square root। np.std इसे निकालता है।
एक जाल: एक column जहाँ हर मान एक जैसा हो उसका spread 0 है, और 0 से भाग देना टूटता है। ऐसे column को शून्यों के रूप में छोड़ें।
सार (x - mean) / spread, हर column पर, spread 0 के लिए एक पहरे के साथ।
इस पाठ के शब्द और चिह्न
- array
- संख्याओं का एक NumPy block, सब एक प्रकार की, जो हर item पर एक साथ गणित करता है
- mean, spread
- औसत, और मान उससे मोटे तौर पर कितनी दूर बैठते हैं (standard deviation)
एक 2D array के लिए normalise(X) लिखें: हर column को mean 0 और spread 1 मिलता है। spread 0 वाला column सब शून्य बनता है। rows पर कोई loops नहीं।
इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें
यह अभ्यास जल्द खुलेगा
इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।