ಡೀಪ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳ ಮೇಲೆ ಡೇಟಾ ನಾರ್ಮಲೈಸೇಶನ್‌ನ ಪ್ರಭಾವ

ಡೇಟಾ ನಾರ್ಮಲೈಸೇಶನ್ ಡೀಪ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು ಕಲಿಯುವ ರೀತಿಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ.

ನೀವು ಟೈಮ್ ಸೀರೀಸ್ ಫೋರ್‌ಕಾಸ್ಟಿಂಗ್ (time series forecasting) ಮೇಲೆ ಕೆಲಸ ಮಾಡುವಾಗ, ನಿಮ್ಮ ಡೇಟಾ ಸ್ಕೇಲ್‌ಗಳು ವಿಭಿನ್ನವಾಗಿರುತ್ತವೆ. ಒಂದು ವೇರಿಯೇಬಲ್ 0 ರಿಂದ 1 ರ ವ್ಯಾಪ್ತಿಯಲ್ಲಿರಬಹುದು. ಇನ್ನೊಂದು 100 ರಿಂದ 1000 ರ ವ್ಯಾಪ್ತಿಯಲ್ಲಿರಬಹುದು. ಈ ಸ್ಕೇಲ್ ವ್ಯತ್ಯಾಸವು ನಿಮ್ಮ ಮಾಡೆಲ್‌ಗೆ ಸಮಸ್ಯೆಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.

ನಾರ್ಮಲೈಸೇಶನ್ ಇದನ್ನು ಸರಿಪಡಿಸುತ್ತದೆ. ಇದು ಎಲ್ಲಾ ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಒಂದೇ ರೀತಿಯ ಸ್ಕೇಲ್‌ಗೆ ತರುತ್ತದೆ.

ನಿಮಗೆ ನಾರ್ಮಲೈಸೇಶನ್ ಏಕೆ ಬೇಕು:

  • ಇದು ತರಬೇತಿಯನ್ನು (training) ವೇಗಗೊಳಿಸುತ್ತದೆ.
  • ಇದು ಮಾಡೆಲ್ ಮಾದರಿಗಳನ್ನು (patterns) ವೇಗವಾಗಿ ಪತ್ತೆಹಚ್ಚಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
  • ಇದು ದೊಡ್ಡ ಸಂಖ್ಯೆಗಳು ಸಣ್ಣ ಸಂಖ್ಯೆಗಳ ಮೇಲೆ ಪ್ರಾಬಲ್ಯ ಸಾಧಿಸದಂತೆ ತಡೆಯುತ್ತದೆ.
  • ಇದು ನಿಮ್ಮ ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ.

ಸರಿಯಾದ ವಿಧಾನವನ್ನು ಆರಿಸಿಕೊಳ್ಳುವುದು ಮುಖ್ಯವಾಗಿದೆ. ನೀವು Min-Max scaling ಅಥವಾ Z-score standardization ನಡುವೆ ಯಾವುದನ್ನು ಬಳಸಬೇಕೆಂದು ನಿರ್ಧರಿಸಬೇಕು. ನಿಮ್ಮ ಡೇಟಾ ವಿತರಣೆಗೆ (data distribution) ಅನುಗುಣವಾಗಿ ಪ್ರತಿಯೊಂದು ವಿಧಾನವು ನಿಮ್ಮ ಮಾಡೆಲ್ ಮೇಲೆ ವಿಭಿನ್ನ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ.

ನೀವು ನಾರ್ಮಲೈಸೇಶನ್ ಅನ್ನು ನಿರ್ಲಕ್ಷಿಸಿದರೆ, ನಿಮ್ಮ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಕನ್ವರ್ಜ್ (converge) ಮಾಡಲು ಕಷ್ಟಪಡುತ್ತದೆ. ನಿಮ್ಮ ದೋಷದ ದರಗಳು (error rates) ಹೆಚ್ಚಾಗಿರುತ್ತವೆ. ನಿಮ್ಮ ಮುನ್ಸೂಚನೆಗಳು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲದವುಗಳಾಗುತ್ತವೆ.

ನಿಮ್ಮ ಮಾಡೆಲ್ ಅನ್ನು ತರಬೇತಿಗೊಳಿಸುವ ಮೊದಲು ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ಕೇಲ್ ಮಾಡಿ.

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

Optional learning community: https://t.me/GyaanSetuAi