השפעת נרמול נתונים על רשתות עצביות עמוקות (Deep Neural Networks)

נרמול נתונים משנה את האופן שבו רשתות עצביות עמוקות לומדות.

כשעובדים עם חיזוי סדרות עתיות (time series forecasting), קני המידה של הנתונים משתנים. משתנה אחד עשוי לנוע בין 0 ל-1. משתנה אחר עשוי לנוע בין 100 ל-1000. הבדל בקנה המידה הזה יוצר בעיות עבור המודל שלכם.

נרמול פותר זאת. הוא מביא את כל נקודות הנתונים לקנה מידה דומה.

למה אתם צריכים נרמול:

  • הוא מאיץ את האימון.
  • הוא עוזר למודל למצוא תבניות מהר יותר.
  • הוא מונע ממספרים גדולים להשתלט על מספרים קטנים.
  • הוא משפר את דיוק התחזיות שלכם.

הבחירה בשיטה הנכונה היא קריטית. עליכם להחליט בין Min-Max scaling לבין Z-score standardization. כל שיטה משפיעה על המודל שלכם בצורה שונה, בהתאם להתפלגות הנתונים שלכם.

אם תתעלמו מנרמול, הרשת העצבית שלכם תתקשה להתכנס (converge). שיעורי השגיאה שלכם יישארו גבוהים. התחזיות שלכם יהפכו לבלתי אמינות.

בצעו scaling לנתונים שלכם לפני אימון המודל.

מקור: https://dev.to/paperium/impact-of-data-normalization-on-deep-neural-network-for-time-series-forecasting-240d

קהילת למידה אופציונלית: https://t.me/GyaanSetuAi