Normalizimi është i dobishëm kur të dhënat tuaja kanë shkallë të ndryshme dhe algoritmi që po përdorni nuk bën supozime për shpërndarjen e të dhënave tuaja, si p.sh. k-fqinjët më të afërt dhe nervor artificial rrjeteve. Standardizimi supozon se të dhënat tuaja kanë një shpërndarje Gaussian (kurbë zile).
Kur duhet t'i normalizojmë të dhënat?
Të dhënat duhet të normalizohen ose standardizohen për t'i sjellë të gjithë variablat në proporcion me njëri-tjetrin. Për shembull, nëse një variabël është 100 herë më i madh se një tjetër (mesatarisht), atëherë modeli juaj mund të sillet më mirë nëse normalizoni/standardizoni dy variablat që të jenë afërsisht ekuivalent.
Cili është ndryshimi midis normalizimit dhe standardizimit?
Normalizimi zakonisht nënkupton rishkallëzim të vlerave në një interval prej [0, 1]. Standardizimi zakonisht nënkupton rishkallëzimin e të dhënave për të patur një mesatare prej 0 dhe një devijim standard prej 1 (variancë njësi).
Kur dhe pse na duhet normalizimi i të dhënave?
Me terma më të thjeshtë, normalizimi siguron që të gjitha të dhënat tuaja të duken dhe të lexohen në të njëjtën mënyrë në të gjitha regjistrimet. Normalizimi do të standardizojë fushat duke përfshirë emrat e kompanive, emrat e kontakteve, URL-të, informacionin e adresës (rrugët, shtetet dhe qytetet), numrat e telefonit dhe titujt e punës.
Si e zgjidhni normalizimin dhe standardizimin?
Në botën e biznesit, "normalizimi" zakonisht nënkupton që diapazoni i vlerave janë"Normalizuar të jetë nga 0.0 në 1.0". "Standardizimi" zakonisht do të thotë që diapazoni i vlerave "standardizohet" për të matur sa devijime standarde është vlera nga mesatarja e saj.
