Definición de normalización
La normalización es un marco de acuerdos al que deben adherirse todas las partes relevantes de una industria u organización para garantizar que todos los procesos asociados a la creación de un bien o a la prestación de un servicio se realizan dentro de unas directrices establecidas.
La normalización se consigue estableciendo directrices generalmente aceptadas sobre cómo se crea un producto o servicio, cómo se gestiona una empresa o cómo se rigen determinados procesos necesarios. El objetivo de la normalización es imponer un nivel de coherencia o uniformidad a determinadas prácticas u operaciones dentro del entorno seleccionado.
Un ejemplo de normalización serían los principios contables generalmente aceptados (PCGA) a los que deben adherirse todas las empresas que cotizan en las bolsas de valores de Estados Unidos. Los PCGA son un conjunto normalizado de directrices creadas por el Consejo de Normas de Contabilidad Financiera (FASB) para garantizar que todos los estados financieros se someten a los mismos procesos, de modo que la información divulgada sea pertinente, fiable, comparable y coherente.
Ventajas e inconvenientes de la educación normalizada
Visualicemos rápidamente el aspecto de nuestro nuevo subespacio de características (obsérvese que las etiquetas de clase no se tienen en cuenta en un ACP -a diferencia de un Análisis Lineal Discriminante-, pero las añadiré en el gráfico para mayor claridad).from matplotlib import pyplot as plt
Como podemos ver, la estandarización previa al ACP condujo definitivamente a una disminución de la tasa de error empírico en la clasificación de las muestras del conjunto de datos de prueba.Si usted es un entrevistador, ¿qué cinco preguntas, se le preguntará sobre la estandarización clustering.1. ¿Cómo estandarizar los datos?2. ¿Son la normalización de la media y el escalado de características necesarias para k-means clustering?3. ¿Es necesario estandarizar sus datos? ¿Es necesario normalizar los datos antes de la agrupación? 4. Escriba la sintaxis para KNN, SVR, Árbol de Decisión para aplicar el escalado de características en el aprendizaje automático, explique el efecto de la normalización en cada algoritmo. 5. ¿Cuál es la diferencia entre sklearn.preprocessing import MinMaxScaler Normalization y sklearn.preprocessing.Normalizer? ¿Cuándo utilizar MinMaxScaler y cuándo Normalizar?
Ejemplo de normalización
Pocos temas educativos sacan más de quicio a padres, profesores y responsables de centros escolares que las discusiones sobre el uso de los resultados de los exámenes de los alumnos para medir la calidad de los sistemas educativos estatales, los distritos, los centros y, a veces, incluso los profesores. Pero, ¿qué son exactamente los exámenes estandarizados, para qué se utilizan y por qué hay tantos?
Un examen está estandarizado cuando todos los alumnos que lo realizan tienen que responder al mismo conjunto de preguntas cuidadosamente seleccionadas. Esto permite a quienes examinan los resultados hacer comparaciones entre grupos de alumnos. Las preguntas de estos exámenes suelen ser de opción múltiple o de verdadero-falso porque así aumentan las posibilidades de que los resultados sean justos y objetivos, con menos posibilidades de sesgo o favoritismo a la hora de puntuar las respuestas.
El proceso de creación de una prueba estandarizada y de interpretación de los resultados requiere muchos conocimientos diferentes sobre planes de estudios, desarrollo infantil, diferencias culturales y lingüísticas, estadística y un campo de estudio llamado psicometría.
Si lo pensamos bien, los tests estandarizados forman parte de nuestras vidas desde hace mucho tiempo. Cuando llevas a un bebé al médico, éste evalúa su salud mediante una lista de control “estandarizada”: ¿Cómo es el peso del bebé en comparación con otros de su misma edad y cumple los hitos del desarrollo? Cuando solicitas el permiso de conducir, la oficina estatal de vehículos de motor te exige que hagas un examen estandarizado para comprobar si conoces las normas de circulación. Cuando solicitas la ciudadanía, te sometes a un examen estandarizado para comprobar si entiendes los principios básicos del gobierno estadounidense.
Ventajas e inconvenientes del plan de estudios normalizado
Este problema aparece con mucha frecuencia en el aprendizaje automático y puede ser un verdadero dolor de cabeza.
Se trata de los dos pasos siguientes: ¡Y ya está! En esencia, puede implementar la normalización en una sola línea de código:Copy X_standardized = (X – np.mean(X) ) / np.std(X)Muchas veces verás que se escribe así:z=x-μσz = \frac{x – \mu}{\sigma}z=σx-μAquí, μ\muμ es el valor esperado de nuestro conjunto de datos (que en este caso es sólo la media)
hacer interactivoEn el gráfico anterior, puede pulsar el botón de la parte superior para realizar los pasos de estandarización.Si ahora ejecutamos la regresión OLS y la regresión ridge en nuestro conjunto de datos estandarizados (cualquiera de los tres,
que han preordenado esa figura. Nuestro conjunto de datos tendría el siguiente aspecto:Muestra ÍndiceEdad (años)#PrepedidosPrecio (€)11.25100040213004230.7512004641.55003751.756004061.52503870.7590039.8Ahora queremos estandarizar este conjunto de datos.
X_train_standardized = (X_train – X_train_mean) / X_train_std X_test_standardized = (X_test – X_train_mean) / X_train_stdEntonces podemos entrenar y utilizar nuestro modelo de la siguiente manera:Copy ridge = Ridge() ridge.fit(X_train_standardized, y_train) print(ridge.intercept_, ridge.coef_[0]) # outputs: 40.7 -1.56
