مثال list comprehension (هوش مصنوعی با پایتون): scaled = [(w - lo) / (hi - lo) for w in wei…
مثال 3 از درس جلسهی 22 آموزش هوش مصنوعی برای نوجوانان با پایتون: k-NN با چند ویژگی
یک مشکل: وزن حدود ۱۵۰ است و قرمزی حدود ۰.۵. در فاصله، اختلاف وزن (مثلاً ۲۰) همیشه از اختلاف قرمزی (مثلاً ۰.۶) خیلی بزرگتر است، پس قرمزی عملاً نادیده گرفته میشود! راه حل: هر ویژگی را به بازهی ۰ تا ۱ بیاور: (x - min) / (max - min). به این نرمالسازی میگوییم.
weights = [150, 170, 140, 180]
lo, hi = min(weights), max(weights)
scaled = [(w - lo) / (hi - lo) for w in weights]
print(scaled) # [0.25, 0.75, 0.0, 1.0]
این کد را همینجا در ویرایشگر پایتون اجرا کن، عددها و متنهایش را عوض کن و دوباره اجرا کن تا ببینی چه تغییری میکند.
بیشتر بخوان: list comprehension در پایتون: از حلقه for تا یک خط کد
← مثال قبلی · برگشت به درس جلسهی 22: k-NN با چند ویژگی · مثال بعدی → · چالشهای این جلسه