डीप न्यूरल नेटवर्क्सवर डेटा नॉर्मलायझेशनचा प्रभाव

डेटा नॉर्मलायझेशनमुळे डीप न्यूरल नेटवर्क्स शिकण्याची पद्धत बदलते.

जेव्हा तुम्ही टाइम सिरीज फोरकास्टिंगवर (time series forecasting) काम करता, तेव्हा तुमच्या डेटाचे स्केल वेगवेगळे असू शकतात. एखादा व्हेरिएबल ० ते १ च्या दरम्यान असू शकतो, तर दुसरा १०० ते १००० च्या दरम्यान असू शकतो. स्केल मधील हा फरक तुमच्या मॉडेलसाठी समस्या निर्माण करतो.

नॉर्मलायझेशन ही समस्या सोडवते. ते सर्व डेटा पॉइंट्सना एका समान स्केलवर आणते.

तुम्हाला नॉर्मलायझेशनची गरज का आहे:

  • ते ट्रेनिंगचा वेग वाढवते.
  • ते मॉडेलला पॅटर्न वेगाने शोधण्यास मदत करते.
  • ते मोठ्या संख्यांना लहान संख्यांवर वर्चस्व गाजवण्यापासून रोखते.
  • ते तुमच्या प्रेडिक्शनची अचूकता सुधारते.

योग्य पद्धत निवडणे महत्त्वाचे आहे. तुम्हाला Min-Max scaling किंवा Z-score standardization यापैकी एकाची निवड करावी लागेल. तुमच्या डेटा डिस्ट्रिब्युशनवर (data distribution) अवलंबून प्रत्येक पद्धतीचा तुमच्या मॉडेलवर वेगवेगळा परिणाम होतो.

जर तुम्ही नॉर्मलायझेशनकडे दुर्लक्ष केले, तर तुमच्या न्यूरल नेटवर्कला कन्वर्ज (converge) होण्यासाठी संघर्ष करावा लागतो. तुमचे एरर रेट्स (error rates) उच्च राहतात आणि तुमचे प्रेडिक्शन्स अविश्वसनीय ठरतात.

तुमचे मॉडेल ट्रेन करण्यापूर्वी तुमचा डेटा स्केल करा.

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

ऐच्छिक लर्निंग कम्युनिटी: https://t.me/GyaanSetuAi