شرح دالة Scale في بايثون

تعتبر دالة Scale في بايثون جزءًا مهمًا من مكتبة scikit-learn التي تُستخدم في معالجة البيانات وتعلم الآلة. تُعتبر هذه الدالة إحدى الأدوات الأساسية لتحضير البيانات قبل بناء النماذج، حيث تقوم بتغيير نطاق القيم في مجموعة البيانات لتكون ضمن مدى معين مما يسهل التعامل معها وتحسين أداء النماذج.

أهمية استخدام دالة Scale

تتألف مجموعات البيانات من ميزات ذات نطاقات قيم مختلفة، مما قد يؤدي إلى صعوبة في تدريب النماذج. على سبيل المثال، إذا كانت بعض الميزات تتراوح بين 0 و1 بينما تتراوح ميزات أخرى بين 0 و1000، فقد يؤثر ذلك على أداء النموذج. هنا تأتي أهمية دالة Scale التي تقوم بتوحيد النطاقات بحيث تكون جميع الميزات في مستوى متساوٍ. هذا يساعد في تحسين دقة النماذج وتقليل الوقت اللازم للتدريب.

كيفية استخدام دالة Scale مع أمثلة

يمكن استخدام دالة scale في بايثون من خلال مكتبة scikit-learn. إليك مثال عملي حول كيفية استخدامها:

from sklearn.preprocessing import scale
import numpy as np

# إنشاء بيانات عشوائية
data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# تطبيق الدالة على البيانات
scaled_data = scale(data)

print("البيانات الأصلية:")
print(data)

print("nالبيانات بعد تطبيق دالة Scale:")
print(scaled_data)

في هذا المثال، يتم إنشاء مصفوفة بيانات عشوائية ومن ثم يتم تطبيق دالة scale عليها. النتيجة تكون بيانات جديدة موحدة بحيث يكون لكل عمود متوسط قدره 0 وانحراف معياري قدره 1.

أمثلة إضافية واستخدامات متقدمة

يمكن أيضًا استخدام دالة Scale في التعامل مع بيانات أكبر وأكثر تعقيدًا. على سبيل المثال، في حالة البيانات التي تحتوي على قيم خارج النطاق، يمكن استخدام StandardScaler بدلاً من scale لضمان معالجة القيم بشكل أفضل. إليك مثال آخر:

from sklearn.preprocessing import StandardScaler

# بيانات تحتوي على قيم متباينة
data = np.array([[10, 2000], [15, 3000], [20, 4000]])

# إنشاء كائن StandardScaler
scaler = StandardScaler()

# تطبيق الدالة
scaled_data = scaler.fit_transform(data)

print("البيانات الأصلية:")
print(data)

print("nالبيانات بعد تطبيق StandardScaler:")
print(scaled_data)

في هذا المثال، يتم استخدام StandardScaler لتوحيد البيانات التي تحتوي على قيم متباينة بشكل كبير. هذا يضمن أن كل ميزة يتم توحيدها بشكل مستقل، مما يحسن من أداء النماذج ويجعلها أكثر دقة.