Нормализация против стандартизации — объяснение.

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