ผลกระทบของการทำ Data Normalization ต่อ Deep Neural Networks

การทำ Data Normalization เปลี่ยนแปลงวิธีการเรียนรู้ของ Deep Neural Networks

เมื่อคุณทำงานกับการพยากรณ์ข้อมูลอนุกรมเวลา (time series forecasting) สเกลของข้อมูลจะมีความแตกต่างกัน ตัวแปรหนึ่งอาจมีค่าตั้งแต่ 0 ถึง 1 ในขณะที่อีกตัวแปรอาจมีค่าตั้งแต่ 100 ถึง 1000 ความแตกต่างของสเกลนี้จะสร้างปัญหาให้กับโมเดลของคุณ

Normalization จะช่วยแก้ไขปัญหานี้ โดยการปรับจุดข้อมูลทั้งหมดให้มาอยู่ในสเกลที่ใกล้เคียงกัน

ทำไมคุณถึงต้องทำ Normalization:

  • ช่วยให้การฝึกสอน (training) รวดเร็วขึ้น
  • ช่วยให้โมเดลค้นหารูปแบบ (patterns) ได้เร็วขึ้น
  • ป้องกันไม่ให้ตัวเลขที่มีค่ามากส่งผลกระทบเหนือตัวเลขที่มีค่าน้อย
  • ช่วยเพิ่มความแม่นยำในการพยากรณ์ของคุณ

การเลือกวิธีการที่เหมาะสมเป็นเรื่องสำคัญ คุณต้องตัดสินใจเลือกระหว่าง Min-Max scaling หรือ Z-score standardization ซึ่งแต่ละวิธีจะส่งผลต่อโมเดลของคุณแตกต่างกันไป ขึ้นอยู่กับการกระจายตัวของข้อมูล (data distribution)

หากคุณละเลยการทำ Normalization โครงข่ายประสาทเทียม (neural network) ของคุณจะประสบปัญหาในการลู่เข้า (converge) อัตราความผิดพลาด (error rates) จะยังคงสูง และการพยากรณ์ของคุณจะขาดความน่าเชื่อถือ

ควรปรับสเกลข้อมูลของคุณก่อนที่จะเริ่มฝึกสอนโมเดล

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