Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Specjaliści zajmujący się uczeniem maszynowym poświęcają znacznie więcej czasu na ocenę, oczyszczanie i przekształcanie danych niż na budowaniu modeli.
Dane są tak ważne, że ten kurs poświęca temu tematowi 3 całe jednostki:
Ta część koncentruje się
dane liczbowe,
oznaczające liczby całkowite lub wartości zmiennoprzecinkowe
które zachowują się jak liczby. czyli sumować się, zliczać, porządkować,
i tak dalej. Następna część dotyczy
danych kategorialnych, które mogą
zawierają liczby, które są podobne do kategorii. W treningu i ocenie modelu należy zadbać o odpowiednie przygotowanie danych, aby zapewnić wysoką jakość wyników.
Przykłady danych liczbowych:
Temperatura
Waga
Liczba jeleni zimujących w rezerwacie przyrody
W przeciwieństwie do nich amerykańskie kody pocztowe, mimo że są pięcio- lub dziewięciocyfrowe, nie zachowują się jak liczby ani nie reprezentują relacji matematycznych. Kod pocztowy 40004 (w hrabstwie Nelson, Kentucky) nie jest podwojoną wartością kodu pocztowego 20002 (w Waszyngtonie, D.C.). Te numery
reprezentują kategorie, konkretne obszary geograficzne i są uważane
dane kategorialne.
[null,null,["Ostatnia aktualizacja: 2025-07-27 UTC."],[[["\u003cp\u003eThis module focuses on preparing numerical data, such as temperature or weight, for use in machine learning models.\u003c/p\u003e\n"],["\u003cp\u003eMachine learning practitioners spend significant time on data preparation tasks like cleaning and transformation.\u003c/p\u003e\n"],["\u003cp\u003eThe module covers techniques like feature scaling, outlier detection, and binning to improve data quality for model training.\u003c/p\u003e\n"],["\u003cp\u003eLearners should have a basic understanding of machine learning concepts before starting this module.\u003c/p\u003e\n"],["\u003cp\u003eCategorical data, like postal codes, will be addressed in a separate module due to its distinct characteristics and handling requirements.\u003c/p\u003e\n"]]],[],null,["# Working with numerical data\n\n| **Estimated module length:** 85 minutes\n| **Learning objectives**\n|\n| - Understand feature vectors.\n| - Explore your dataset's potential features visually and mathematically.\n| - Identify outliers.\n| - Understand four different techniques to normalize numerical data.\n| - Understand binning and develop strategies for binning numerical data.\n| - Understand the characteristics of good continuous numerical features.\n| **Prerequisites:**\n|\n| This module assumes you are familiar with the concepts covered in the\n| following module:\n|\n| - [Introduction to Machine Learning](/machine-learning/intro-to-ml)\n\nML practitioners spend far more time evaluating, cleaning, and transforming\ndata than building models.\nData is so important that this course devotes three entire units to the topic:\n\n- Working with numerical data (this unit)\n- [Working with categorical data](/machine-learning/crash-course/categorical-data)\n- [Datasets, generalization, and overfitting](/machine-learning/crash-course/overfitting)\n\nThis unit focuses on\n[**numerical data**](/machine-learning/glossary#numerical-data),\nmeaning integers or floating-point values\nthat behave like numbers. That is, they are additive, countable, ordered,\nand so on. The next unit focuses on\n[**categorical data**](/machine-learning/glossary#categorical-data), which can\ninclude numbers that behave like categories. The third unit focuses on how to\nprepare your data to ensure high-quality results when training and evaluating\nyour model.\n\nExamples of numerical data include:\n\n- Temperature\n- Weight\n- The number of deer wintering in a nature preserve\n\nIn contrast, US postal codes, despite\nbeing five-digit or nine-digit numbers, don't behave like numbers or represent\nmathematical relationships. Postal code 40004 (in Nelson County, Kentucky) is\nnot twice the quantity of postal code 20002 (in Washington, D.C.). These numbers\nrepresent categories, specifically geographic areas, and are considered\ncategorical data.\n| **Key terms:**\n|\n| - [Categorical data](/machine-learning/glossary#categorical-data)\n- [Numerical data](/machine-learning/glossary#numerical-data) \n[Help Center](https://support.google.com/machinelearningeducation)"]]
