Нормализация против стандартизации — объяснение.

Описание: В этом видео объясняется, почему масштабирование признаков имеет значение в машинном обучении и как работают две распространенные методики — нормализация min-max и стандартизация z-оценки. Рассматривается, что происходит с функцией потерь, когда признаки имеют совершенно разные масштабы, как каждый метод преобразует данные и когда следует выбирать один метод вместо другого. Ключевые примеры включают влияние выбросов и практическую разницу между алгоритмами, которые учитывают расстояния или градиенты, и теми, которые этого не делают.

Похожие видео
▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬
Стохастический градиентный спуск — объяснение:    • Stochastic Gradient Descent - Explained  
K-средние — объяснение:    • K-Means - Explained  
Машины опорных векторов (SVM) — объяснение:    • Support Vector Machines (SVMs) - Explained  
Векторные нормы — объяснение:    • Vector Norms - Explained  
Классификаторы на основе деревьев решений — объяснение:    • Decision Trees Classifiers - Explained  
Функции активации в нейронных сетях — объяснение:    • Activation Functions in Neural Networks - ...  
Случайные леса — объяснение:    • Random Forests - Explained  
Сверточные нейронные сети (CNN) — объяснение:    • Convolutional Neural Networks (CNNs) - Exp...  

Содержание
▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬
00:00 — Введение
00:43 — Проблема масштабирования
01:29 — Нормализация по методу Min-max
02:06 — Стандартизация Z-оценки
02:58 — Тест на выбросы
03:58 — Две стороны одной медали

Подписаться Я
▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬
🐦 X: @datamlistic https://x.com/datamlistic
📸 Instagram: @datamlistic   / datamlistic  
📱 TikTok: @datamlistic   / datamlistic  
👔 Linkedin:   / datamlistic  

Канал Поддержка
▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬
Лучший способ поддержать канал — поделиться контентом. ;)

Если вы также хотите поддержать канал финансово, пожертвование в размере стоимости чашки кофе всегда приветствуется! (полностью необязательно и добровольно)
► Patreon:   / datamlistic  
► Bitcoin (BTC): 3C6Pkzyb5CjAUYrJxmpCaaNPVRgRVxxyTq
► Ethereum (ETH): 0x9Ac4eB94386C3e02b96599C05B7a8C71773c9281
► Cardano (ADA): addr1v95rfxlslfzkvd8sr3exkh7st4qmgj4ywf5zcaxgqgdyunsj5juw5
► Tether (USDT): 0xeC261d9b2EE4B6997a6a424067af165BAA4afE1a

#datascience #machinelearning #statistics #математика #нормализация