शुरू करेंमुफ़्त में शुरू करें

Standardization का अभ्यास

अज्ञात distributions पर बिना सोचे-समझे KNN का उपयोग करना जोखिम भरा है. जब फीचर distributions एक जैसे scale पर नहीं होते, तो इसका प्रदर्शन काफी गिर जाता है. Unscaled फीचर्स distance कैलकुलेशन को बिगाड़ देते हैं और नतीजतन अनरीयलिस्टिक anomaly स्कोर लौटते हैं.

इसे संतुलित करने की एक आम तकनीक standardization है. इसमें किसी फीचर से mean घटाकर उसे standard deviation से भाग दिया जाता है. इससे उस फीचर का mean 0 और variance 1 हो जाता है.

females डेटासेट पर standardization का अभ्यास कीजिए. यह आपके लिए पहले से लोड किया गया है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Anomaly Detection

पाठ्यक्रम देखें

अभ्यास निर्देश

  • StandardScaler() का एक instance बनाएँ और उसे ss नाम दें.
  • फीचर और target arrays निकालकर X और y में रखें. target weightkg कॉलम है.
  • StandardScaler() को X पर fit करें और उसी समय transform भी करें.
  • ऊपर की प्रक्रिया दोहराएँ, लेकिन इस बार X DataFrame के कॉलम नाम सुरक्षित रखें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

from sklearn.preprocessing import StandardScaler

# Initialize a StandardScaler
ss = ____

# Extract feature and target arrays
X = ____ 
y = ____

# Fit/transform X
X_transformed = ____

# Fit/transform X but preserve the column names
X.____ = ____
कोड संपादित करें और चलाएँ