如何處理不同特征的數據集？

Question

我正在努力在 CEA 分類數據集（二進制分類）上創建 MLP model。 每個樣本包含 4 個不同的特征，例如電阻和其他值，每個都在其自己的范圍內（電阻以百為單位，另一個以微量為單位，等等）。 我還是機器學習的新手，這是第一個真正的 model 構建。 我該如何處理這些數據？ 我已嘗試使用 function 激活 sigmoid 將每個樣本饋送到 neural.network，但我沒有得到准確的結果。 我假設處理這種數據是為了擴展它？ 如果是這樣，有哪些有用的資源可供查看，因為我不太了解何時需要擴展。

Answer 1

縮放數據可能是構建機器學習 model 的重要一步，尤其是在使用神經網絡時。 縮放有助於確保數據集中的所有特征都具有相似的比例，這可以使 model 更容易學習。

有幾種不同的方法可以擴展數據，例如規范化和標准化。 規范化是縮放數據以使其具有最小值0和最大值1的過程。 標准化是縮放數據以使其均值為0和標准差為1的過程。

使用 CEA 分類數據集時，嘗試規范化和標准化可能會有所幫助，以了解哪一個更適合您的特定數據集。 您可以使用 scikit-learn 庫的預處理函數，如 MinMaxScaler() 和 StandardScaler() 分別進行規范化和標准化。

此外，嘗試不同的激活函數（例如 ReLU 或 LeakyReLU）可能會有所幫助，看看它們是否會產生更准確的結果。 此外，您可以嘗試在 neural.network 中添加更多層和神經元，看看它是否可以提高性能。

同樣重要的是要記住，特征工程（包括選擇最重要特征的過程）可能比縮放更重要。