Normalization (Min-Max) *
Description
Normalization (Min-Max) technique scales the values of the feature to be between a specified range, typically between 0 and 1 (for regular machine learning models, and sometimes -1 and 1 for deep learning models).
Formula
Normal version:
\[ x' = \frac{x - \min(x)}{\max(x) - \min(x)} \]
where \(x\) is an original value, \(x'\) is the normalized value.
Generalized version (Restrict the range of values in the dataset between any arbitrary points a and b):
\[ X' = a + \frac{(X - X_{min})(b - a)}{X_{max} - X_{min}} \]
Example
from sklearn.preprocessing import MinMaxScaler
min_max_scaler = MinMaxScaler(feature_range=(-1, 1))
housing_num_min_max_scaled = min_max_scaler.fit_transform(housing_num)
برای اینپوت هایی (فیچر هایی) که خیلی دامنه متفاوتی با هم دارن از این تکنیک استفاده میکنیم.
تو تصویر بالا با استفاده از این تکنیک فیچر ها تو رنج های مشابه هم در اومدن که تو تصویر با اسم Normalized مشخص شده، تو این حالت سیستم خیلی سریع تر آموزش میبینه.