استاندارد سازی و نرمال سازی داده ها در پایتون
عموما در بیشتر مدلها نیازمند مقایسه داده های متغیرهای مختلف هستیم. برای مثال سهمی را در نظر بگیرید که در کانال 2000 تومان در حال معامله است و سهم دیگری در کانال 500 تومان. آیا می توان این دو داده را با یکدیگر مقایسه کرد؟ پاسخ منفی است چرا که این دو سهم به لحاظ مقیاس با یکدیگر برابر نیستند. استاندارد سازی داده‌ کمک می‌کند که اهمیت آن‌ها به واحد اندازه‌گیری‌شان بستگی نداشته باشد و میانگین آن‌ها صفر (μ=0) و انحراف معیار نیز برابر با واحد (σ=۱) شود.
یکی دیگر از روش‌های تغییر مقیاس، استفاده از روش نرمال‌سازی Min-Max است (نرمال‌سازی (Normalization)). به این ترتیب علاوه بر یکسان سازی مقیاس داده‌ها، کران‌های تغییر آن‌ها نیز در بازه [0,1] خواهد بود.
استانداردسازی و نرمال سازی یکی از مهمترین ابزارهای کار با داده ها خصوصا در مدلهای مقایسه ای است.
در پست بعد مثالی در این زمنیه را با هم بررسی خواهیم کرد.

#نرمال_سازی
#استاندارد_سازی
#پایتون_مالی
#Normalization
#standardize
#python_for_finance

عضویت در کانال پایتون برای مالی👇👇👇
🆔 t.me/python4finance

استاندارد سازی و نرمال سازی داده ها در پایتون بخش دوم
در قسمت قبل در خصوص استاندارد سازی و نرمال سازی صحبت کردیم. استاندارد سازی و نرمال سازی در مدلهای یادگیری ماشین هم بسیار حائز اهمیت است.
با استفاده از کتابخانه sklearn به راحتی می توانیم عملیات استاندارد سازی و نرمال سازی و برعکس را انجام دهیم.
در مثال این پست یک دیتاست فرضی از 1 تا 100 درست می شود. یکبار استاندارد سازی شده و یکبار نرمال می شود و سپس با استفاده از matplotlib رسم هر سه دیتاست انجام می شود.

#نرمال_سازی
#استاندارد_سازی
#پایتون_مالی
#Normalization
#Standardize
#python_for_finance

عضویت در کانال پایتون برای مالی👇👇👇
🆔 t.me/python4finance