Makine Öğrenimi - Ölçek
Ölçek Özellikleri
Verileriniz farklı değerlere ve hatta farklı ölçüm birimlerine sahip olduğunda bunları karşılaştırmak zor olabilir. Metre ile karşılaştırıldığında kilogram nedir? Ya da zamana göre yükseklik?
Bu sorunun cevabı ölçeklendirmedir. Verileri, karşılaştırması daha kolay yeni değerlere ölçekleyebiliriz.
Aşağıdaki tabloya bir göz atın, çoklu regresyon bölümünde kullandığımız veri seti ile aynı , ancak bu sefer hacim sütunu cm3 yerine litre cinsinden değerler içeriyor ( 1000 yerine 1.0).
Dosya yalnızca test amaçlıdır, buradan indirebilirsiniz: cars2.csv
| Araba | modeli | Ses | Ağırlık | CO2 |
| toyota | Aygo | 1.0 | 790 | 99 |
| Mitsubishi | uzay yıldızı | 1.2 | 1160 | 95 |
| Skoda | Citigo | 1.0 | 929 | 95 |
| Fiat | 500 | 0.9 | 865 | 90 |
| Mini | Cooper | 1.5 | 1140 | 105 |
| VW | Yukarı! | 1.0 | 929 | 105 |
| Skoda | fabia | 1.4 | 1109 | 90 |
| Mercedes | Bir sınıf | 1.5 | 1365 | 92 |
| Ford | şenlik | 1.5 | 1112 | 98 |
| audi | A1 | 1.6 | 1150 | 99 |
| hyundai | I20 | 1.1 | 980 | 99 |
| Suzuki | Süratli | 1.3 | 990 | 101 |
| Ford | şenlik | 1.0 | 1112 | 99 |
| Honda | sivil | 1.6 | 1252 | 94 |
| hyundai | I30 | 1.6 | 1326 | 97 |
| Opel | astra | 1.6 | 1330 | 97 |
| BMW | 1 | 1.6 | 1365 | 99 |
| Mazda | 3 | 2.2 | 1280 | 104 |
| Skoda | Ani | 1.6 | 1119 | 104 |
| Ford | Odak | 2.0 | 1328 | 105 |
| Ford | Mondeo | 1.6 | 1584 | 94 |
| Opel | nişan | 2.0 | 1428 | 99 |
| Mercedes | C-Sınıfı | 2.1 | 1365 | 99 |
| Skoda | Octavia | 1.6 | 1415 | 99 |
| Volvo | S60 | 2.0 | 1415 | 99 |
| Mercedes | CLA | 1.5 | 1465 | 102 |
| audi | A4 | 2.0 | 1490 | 104 |
| audi | A6 | 2.0 | 1725 | 114 |
| Volvo | V70 | 1.6 | 1523 | 109 |
| BMW | 5 | 2.0 | 1705 | 114 |
| Mercedes | E-Sınıfı | 2.1 | 1605 | 115 |
| Volvo | XC70 | 2.0 | 1746 | 117 |
| Ford | B-Max | 1.6 | 1235 | 104 |
| BMW | 2 | 1.6 | 1390 | 108 |
| Opel | Zafira | 1.6 | 1405 | 109 |
| Mercedes | SLK | 2.5 | 1395 | 120 |
1.0 hacmini 790 ağırlığıyla karşılaştırmak zor olabilir, ancak her ikisini de karşılaştırılabilir değerlere ölçeklendirirsek, bir değerin diğerine kıyasla ne kadar olduğunu kolayca görebiliriz.
Verileri ölçeklendirmek için farklı yöntemler vardır, bu derste standardizasyon adı verilen bir yöntem kullanacağız.
Standardizasyon yöntemi şu formülü kullanır:
z = (x - u) / s
zYeni değer
nerede , xorijinal değer,
uortalama ve sstandart sapma.
Ağırlık sütununu yukarıdaki veri kümesinden alırsanız , ilk değer 790'dır ve ölçeklenen değer şöyle olacaktır:
(790 - ) / = -2.1
Hacim sütununu yukarıdaki veri kümesinden alırsanız , ilk değer 1.0'dır ve ölçeklenen değer şöyle olacaktır:
(1.0 - ) / = -1.59
Artık 790'ı 1.0 ile karşılaştırmak yerine -2.1 ile -1.59'u karşılaştırabilirsiniz.
Bunu manuel olarak yapmanız gerekmez, Python sklearn modülünde, StandardScaler()
veri kümelerini dönüştürmek için yöntemlerle bir Scaler nesnesi döndüren adlı bir yöntem bulunur.
Örnek
Ağırlık ve Hacim sütunlarındaki tüm değerleri ölçeklendirin:
import pandas
from sklearn import linear_model
from
sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
scaledX = scale.fit_transform(X)
print(scaledX)
Sonuç:
İlk iki değerin -2.1 ve -1.59 olduğuna dikkat edin, bu bizim hesaplamalarımıza karşılık gelir:
[[-2.10389253 -1.59336644] [-0.55407235 -1.07190106] [-1.52166278 -1.59336644] [-1.78973979 -1.85409913] [-0.63784641 -0.28970299] [-1.52166278 -1.59336644] [-0.76769621 -0.55043568] [ 0.3046118 -0.28970299] [-0.7551301 -0.28970299] [-0.59595938 -0.0289703 ] [-1.30803892 -1.33263375] [-1.26615189 -0.81116837] [-0.7551301 -1.59336644] [-0.16871166 -0.0289703 ] [ 0.14125238 -0.0289703 ] [ 0.15800719 -0.0289703 ] [ 0.3046118 -0.0289703 ] [-0.05142797 1.53542584] [-0.72580918 -0.0289703 ] [ 0.14962979 1.01396046] [ 1.2219378 -0.0289703 ] [ 0.5685001 1.01396046] [ 0.3046118 1.27469315] [ 0.51404696 -0.0289703 ] [ 0.51404696 1.01396046] [ 0.72348212 -0.28970299] [ 0.8281997 1.01396046] [ 1.81254495 1.01396046] [ 0.96642691 -0.0289703 ] [ 1.72877089 1.01396046] [ 1.30990057 1.27469315] [ 1.90050772 1.01396046] [-0.23991961 -0.0289703 ] [ 0.40932938 -0.0289703 ] [ 0.47215993 -0.0289703 ] [ 0.4302729 2.31762392]]
CO2 Değerlerini Tahmin Edin
Çoklu Regresyon bölümündeki görev, yalnızca ağırlığını ve hacmini bildiğiniz bir arabadan kaynaklanan CO2 emisyonunu tahmin etmekti.
Veri seti ölçeklendiğinde, değerleri tahmin ederken ölçeği kullanmanız gerekecektir:
Örnek
2300 kilogram ağırlığındaki 1,3 litrelik bir arabanın CO2 emisyonunu tahmin edin:
import pandas
from sklearn import linear_model
from
sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
y = df['CO2']
scaledX = scale.fit_transform(X)
regr = linear_model.LinearRegression()
regr.fit(scaledX, y)
scaled =
scale.transform([[2300, 1.3]])
predictedCO2 = regr.predict([scaled[0]])
print(predictedCO2)
Sonuç:
[107.2087328]