স্বাভাবিককরণ উপযোগী হয় যখন আপনার ডেটার স্কেল পরিবর্তিত হয় এবং আপনি যে অ্যালগরিদম ব্যবহার করছেন তা আপনার ডেটা বিতরণ সম্পর্কে অনুমান করে না, যেমন k-নিকটবর্তী প্রতিবেশী এবং কৃত্রিম নিউরাল নেটওয়ার্ক প্রমিতকরণ অনুমান করে যে আপনার ডেটার একটি গাউসিয়ান (বেল বক্ররেখা) বিতরণ রয়েছে৷
আমাদের কখন ডেটা স্বাভাবিক করা উচিত?
সমস্ত ভেরিয়েবলকে একে অপরের সাথে সমানুপাতিকভাবে আনতে ডেটা স্বাভাবিক বা প্রমিত করা উচিত । উদাহরণস্বরূপ, যদি একটি ভেরিয়েবল অন্যটির থেকে 100 গুণ বড় হয় (গড়ে), তাহলে আপনার মডেলটি আরও ভাল আচরণ করতে পারে যদি আপনি দুটি ভেরিয়েবলকে প্রায় সমতুল্য করার জন্য স্বাভাবিক/প্রমিতকরণ করেন।
নর্মালাইজেশন এবং স্ট্যান্ডার্ডাইজেশনের মধ্যে পার্থক্য কী?
নরমালাইজেশন মানে সাধারণত মানগুলিকে [0, 1] এর পরিসরে রিস্কেল করা। স্ট্যান্ডার্ডাইজেশন মানে সাধারণত মান 0 এবং 1 (ইউনিট ভ্যারিয়েন্স) এর স্ট্যান্ডার্ড বিচ্যুতি থাকতে ডেটা রিস্কেল করা।
কখন এবং কেন আমাদের ডেটা স্বাভাবিককরণের প্রয়োজন?
সরল ভাষায়, নরমালাইজেশন নিশ্চিত করে যে আপনার সমস্ত ডেটা সমস্ত রেকর্ড জুড়ে একই ভাবে দেখা যায় এবং পড়া হয়। সাধারণীকরণ কোম্পানির নাম, যোগাযোগের নাম, URL, ঠিকানার তথ্য (রাস্তা, রাজ্য এবং শহর), ফোন নম্বর এবং চাকরির শিরোনাম সহ ক্ষেত্রগুলিকে প্রমিত করবে৷
আপনি কীভাবে স্বাভাবিককরণ এবং মানককরণ বেছে নেবেন?
ব্যবসায়িক জগতে, "স্বাভাবিককরণ" এর মানে হল মানগুলির পরিসর"0.0 থেকে 1.0 হতে স্বাভাবিক করা হয়েছে"। "স্ট্যান্ডার্ডাইজেশন" সাধারণত মানে হল যে মানগুলির গড় থেকে কতগুলি মান বিচ্যুতি পরিমাপ করতে মানগুলির পরিসর "প্রমিত" হয়৷
