Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir konuşmacı tarafından sunulan Python ile veri analizi eğitim serisi kapsamında hazırlanmış bir eğitim içeriğidir.
- Video, makine öğrenmesi algoritmalarında kullanılan veri ön işleme tekniklerinden biri olan değişken ölçeklendirme yöntemlerini ele almaktadır. İçerikte max-min ölçeklendirme, robust ölçeklendirme ve standardizasyon gibi temel ölçeklendirme yöntemleri Python kodları üzerinden adım adım gösterilmektedir. Konuşmacı, bu yöntemlerin matematiksel temellerini giriş seviyesinde anlatarak, farklı aralıkta değişkenlerin modellerde yarattığı sorunları ve çözüm yollarını açıklamaktadır.
- Videoda sayısal veriler üzerinde yapılan ölçeklendirme işlemlerine odaklanılmakta olup, bir sonraki videoda kategorik veriler üzerinde yapılacak benzer işlemleri ele alınacağı belirtilmektedir.
- Veri Ön İşleme ve Değişken Ölçeklendirme
- Python ile veri analizi eğitimine kaldığı yerden devam ediliyor ve bu bölümde aykırı gözlem değerleri ile ilgili çözümlerden sonra veri ön işleme konusu ele alınıyor.
- Değişken ölçeklendirme, makine öğrenmesi algoritmaları için çok önemli bir veri ön işleme sürecidir.
- Farklı aralıkta değişkenler (örneğin yaş ve gelir) kullanıldığında modellerde sorunlar ortaya çıkabilir, bu yüzden değişken ölçeklendirme işlemi yapılır.
- 02:22Değişken Ölçeklendirme Yöntemleri
- Değişken ölçeklendirme, verileri belli aralıklara indirgeyen bir işlemdir ve normal dağılımdan standart normal dağılıma z skoru oluşturma mantığıyla benzerdir.
- İlk ölçeklendirme yöntemi olan max-min ölçeklendirme, veri setindeki değişkenleri 0-1 aralığına ölçeklendirir.
- Robust ölçekleme, aykırı gözlemlerden daha az etkilenen bir ölçeklendirme yöntemidir ve max-min ölçeklendirmeden farklı olarak negatif değerler de gösterebilir.
- 03:07Python ile Ölçeklendirme Uygulaması
- Pandas kütüphanesi kullanılarak örnek bir veri seti okunuyor ve 27 veri içeren bir dataframe oluşturuluyor.
- Max-min ölçeklendirme için sklearn.preprocessing kütüphanesinden MinMaxScaler kullanılıyor ve veriler 0-1 aralığına dönüştürülüyor.
- RobustScaler kullanılarak robust ölçekleme yapılabiliyor ve bu yöntem aykırı gözlemlerle çalışırken daha iyi sonuçlar veriyor.
- 11:14Standartlaştırma İşlemi
- Standartlaştırma, standart normal dağılımdaki mantıkla benzer bir işlem olarak tanımlanır ve kütüphanede kullanılabilir.
- Standart skaler kısmını kullanarak verileri standart normal dağılım yapısına çevirir.
- Standartlaştırma işlemi, her bir gözlemden ortalamayı çıkartıp standart sapmaya bölerek Z puanı gibi bir değer oluşturur.
- 12:01Ölçeklendirme Yöntemleri
- En çok kullanılan üç ölçeklendirme yöntemi: max-min dönüşümü, robust ve standartlaştırma işlemidir.
- Bu yöntemler sayısal değerler üzerinde kullanılır ve verileri istenilen bir ölçeğe indirger.
- Ölçeklendirme yapısı, makine öğrenmesi algoritmalarında daha fazla kullanılır ve hata payını minimize ederek algoritmaların daha güvenli çalışmasını sağlar.
- 13:20Sonraki Konular
- Bir sonraki videoda kategorik değişkenlerde bu işlemlerin nasıl yapıldığı incelenecektir.