Kumarans Data Academy

🔹 Feature Scaling (Min-Max Scaling, Standardization) நம்முடைய Numerical Dataகளை ஒரே அளவுக்குள் கொண்டுவர Linear Transformation (நேரியல் மாற்றம்) பயன்படுத்தப்படுகிறது. இதனால் அனைத்து அம்சங்களும் ஒரே Rangeகுள் வரும். உதாரணம்: ₹1,000 – ₹1,00,000 வரையிலான Sales Figures-ஐ 0 முதல் 1 அளவுக்கு கொண்டுவர Min-Max Scaling Formula பயன்படுத்தப்படுகிறது. இதனால் Machine Learning Models அனைத்து அளவுகளையும் சமமாக கையாள முடியும். மாணவர்கள் பெற்ற Marks (0 – 100) அனைத்தையும் 0 to 1 அளவுக்கு கொண்டுவர Min-Max Scaling Formula பயன்படுத்தி Machine Learning Models அனைத்து பாடத்தையும் சமமாக கையாள உதவும். 🔹   Normalization வித்தியாசமான தரவுகள் (Different Data Types) மற்றும் வித்தியாசமான அளவுகளில் இருக்கும் மதிப்புகளை (Values) ஒரே அளவுக்குள் கொண்டுவர Normalization உதவுகிறது. ஆனால் அங்குள்ள Valuesகளின் வித்தியாசம் பாதிக்கப்படாது. Just இது கணினி கணிப்புக்கு ஏற்ற மாதிரியாக அனைத்து Valuesகளையும் ஒரே Level படுத்துகிறது. உதாரணம்: வயது, வருமானம், செலவுகள் ஆகியவற்றை Min-Max Scaling அல்லது Standardization F...

  Feature Scaling (Min-Max Scaling, Standardization) Linear Transformation is used to scale numerical data so that all features fall within the same range. Example:  Bringing sales figures from ₹1,000 – ₹1,00,000 into a range of 0 to 1 using Min-Max Scaling Formula to help maching learning models treat all dimensions equally. This Ensures Machine Learning Models can Handle All Dimensions Equally. Bringing student marks from 0 – 100 into a range of 0 to 1 using the Min-Max Scaling formula to help machine learning models treat all Subjects equally. Normalization It is used to change values that are on different scales into the same scale without changing the meaning or difference between them. Making Different Data types understandable and in Common Format. However this does not affect the Values, but only the data type changes to Common Format. So Computer can process the Information Equally. Example: Normalizing Age, Income, and Expenses for fair comparison using Min-Max Sc...