<\/p>\n
Vaak normaliseren<\/strong> we in statistieken en machinaal leren variabelen zodanig dat het bereik van waarden tussen 0 en 1 ligt.<\/span><\/p>\n De meest voorkomende reden voor het normaliseren van variabelen is wanneer we een soort multivariate analyse uitvoeren (dwz we willen de relatie tussen verschillende voorspellende variabelen en een responsvariabele begrijpen) en we willen dat elke variabele in gelijke mate aan de analyse bijdraagt.<\/span><\/p>\n Wanneer variabelen op verschillende schalen worden gemeten, dragen ze vaak niet in gelijke mate bij aan de analyse. Als de waarden van de ene variabele bijvoorbeeld vari\u00ebren van 0 tot 100.000 en de waarden van een andere variabele van 0 tot 100, krijgt de variabele met het grootste bereik een groter gewicht in de analyse.<\/span><\/p>\n Door de variabelen te standaardiseren, kunnen we er zeker van zijn dat elke variabele in gelijke mate bijdraagt aan de analyse.<\/span><\/p>\n Om waarden tussen 0 en 1 te normaliseren, kunnen we de volgende formule gebruiken:<\/span><\/p>\n x norm<\/sub> = (x i<\/sub> \u2013 x min<\/sub> ) \/ (x max<\/sub> \u2013 x min<\/sub> )<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n De volgende voorbeelden laten zien hoe u een of meer variabelen in Python kunt normaliseren.<\/span><\/p>\n De volgende code laat zien hoe u alle waarden in een NumPy-array kunt normaliseren:<\/span><\/p>\n Elk van de waarden in de genormaliseerde array ligt nu tussen 0 en 1.<\/span><\/p>\n De volgende code laat zien hoe u alle variabelen in een Panda DataFrame kunt normaliseren:<\/span><\/p>\n Elk van de waarden in elke kolom ligt nu tussen 0 en 1.<\/span><\/p>\n De volgende code laat zien hoe u een specifieke variabele in een Panda DataFrame normaliseert:<\/span><\/p>\n Merk op dat alleen de waarden in de eerste twee kolommen zijn genormaliseerd.<\/span><\/p>\n De volgende zelfstudies bieden aanvullende informatie over gegevensnormalisatie:<\/span><\/p>\n Hoe gegevens tussen 0 en 1 te normaliseren<\/a> Vaak normaliseren we in statistieken en machinaal leren variabelen zodanig dat het bereik van waarden tussen 0 en 1 ligt. De meest voorkomende reden voor het normaliseren van variabelen is wanneer we een soort multivariate analyse uitvoeren (dwz we willen de relatie tussen verschillende voorspellende variabelen en een responsvariabele begrijpen) en we willen dat elke […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-2080","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld 1: normaliseer een NumPy-array<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np \n\n#create NumPy array\n<\/span>data = np. array<\/span> ([[13, 16, 19, 22, 23, 38, 47, 56, 58, 63, 65, 70, 71]])\n\n#normalize all values in array\n<\/span>data_norm = (data - data. min<\/span> ())\/ (data. max<\/span> () - data. min<\/span> ())\n\n#view normalized values\n<\/span>data_norm\n\narray([[0. , 0.05172414, 0.10344828, 0.15517241, 0.17241379,\n 0.43103448, 0.5862069, 0.74137931, 0.77586207, 0.86206897,\n 0.89655172, 0.98275862, 1. ]])<\/strong><\/pre>\n Voorbeeld 2: Normaliseer alle variabelen in Pandas DataFrame<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' points<\/span> ': [25, 12, 15, 14, 19, 23, 25, 29],\n ' assists<\/span> ': [5, 7, 7, 9, 12, 9, 9, 4],\n ' rebounds<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12]})\n\n#normalize values in every column\n<\/span>df_norm = (df-df. min<\/span> ())\/ (df. max<\/span> () - df. min<\/span> ())\n\n#view normalized DataFrame\n<\/span>df_norm\n\n points assists rebounds\n0 0.764706 0.125 0.857143\n1 0.000000 0.375 0.428571\n2 0.176471 0.375 0.714286\n3 0.117647 0.625 0.142857\n4 0.411765 1.000 0.142857\n5 0.647059 0.625 0.000000\n6 0.764706 0.625 0.571429\n7 1.000000 0.000 1.000000\n<\/strong><\/pre>\n Voorbeeld 3: Normaliseer specifieke variabelen in Pandas DataFrame<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' points<\/span> ': [25, 12, 15, 14, 19, 23, 25, 29],\n ' assists<\/span> ': [5, 7, 7, 9, 12, 9, 9, 4],\n ' rebounds<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12]})\n\ndefine columns to normalize<\/span>\nx = df. iloc<\/span> [:,0:2]\n\n#normalize values in first two columns only<\/span>\ndf. iloc<\/span> [:,0:2] = (xx. min<\/span> ())\/ (x. max<\/span> () - x. min<\/span> ())\n\n#view normalized DataFrame<\/span>\ndf\n\n\tpoints assists rebounds\n0 0.764706 0.125 11\n1 0.000000 0.375 8\n2 0.176471 0.375 10\n3 0.117647 0.625 6\n4 0.411765 1.000 6\n5 0.647059 0.625 5\n6 0.764706 0.625 9\n7 1.000000 0.000 12\n<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe gegevens tussen 0 en 100 te normaliseren<\/a>
Standaardisatie of normalisatie: wat is het verschil?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"