Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
Tags
- unity
- Hessian Matrix
- neural network
- Linear algebra
- 리스트
- 모두를 위한 RL
- convex optimization
- 김성훈 교수님
- Python Programming
- 데이터 분석
- 강화학습
- reinforcement learning
- David Silver
- 사이킷런
- pandas
- Deep Learning
- statistics
- machine learning
- Series
- rl
- 딥러닝
- 논문
- ML-Agent
- optimization
- 판다스
- 유니티
- paper
- list
- Jacobian Matrix
- Laplacian
Archives
목록피처 스케일링 (1)
RL Researcher
피처 스케일링과 정규화(문제점 작성 X)
1. 피처 스케일링 서로 다른 변수의 값 범위를 일정한 수준으로 맞추는 작업을 피처 스케일링(feature scaling)이라고 합니다. 대표적인 방법으로 표준화(Standardization)와 정규화(Normalization)가 있습니다. 표준화(Standardization)는 데이터의 피처 각각 평균이 0이고 분산이 1인 Gaussian 정규분포를 가진 값으로 변환하는 것을 의미합니다. 표준화를 통해 변환될 피처 x의 새로운 i번째 데이터를 x(i)(new)라고 한다면 이 값은 원래 값에서 피처 x의 평균을 뺀 값을 피처 x의 표준편차로 나눈 값으로 계산할 수 있습니다. $$x_{i}(new) = \frac{x_{i}-mean(x)}{stdev(x)}$$ 일반적으로 정규화는 서로 다른 피처의 크기를 ..
Machine-Learning/Preprocessing
2021. 1. 17. 02:52