‼️لازم به ذکر است که امروزه در هیچ کجای دنیا، آمار و اطلاعات، به ذینفعان یک شرکت، این شکلی و در این فرم
https://www.rai.ir/page-karshenasan/fa/0
ارائه نمی شود.
📊مخاطبان آمار و اطلاعات، باید در یک نگاه، متوجه شود و بتواند مقایسه کند که مثلا کارکرد بخش یک و بخش دو، با داشتن منابع مختلف و متفاوت، در فلان بازه زمانی، روی بهمان اتریبیوت، چقدر بوده
اگر بخش الف این تعداد دیزل گرم داشته و بخش دیگر تعدادی متفاوت، و اگر کل خطوط این دو بخش مثلا n و m کیلومتر اند
کدامیک کارایی بیشتری داشته است و ....
📈#مصورسازی داده ها، احتمالا به همین کار می آید!
⬅️نه اینکه برای بدست آوردن نتایجی صحیح، مجبور باشد یک فایل متنی را پرینت بگیرد!!!، خودش جداول اکسل بسازد، نرمالسازی کند، آوت لایرزها را بیرون بکشد، آنچه را که حتی با عقل سلیم هم، همخوانی ندارد، حذف و جایگزین کند کند، بدنبال داده های مرحوم و از دست رفته بگردد، فاکتورهای آماری را چندین بار محاسبه کند و....تا بتواند آنها را مصورسازی کند و در نهايت چیزی ازینهمه متن بیخود و بی جهت دستگیرش بشود یا نشود!.
#databases
#DATA
#DataVisualization
#Normalization
#Outliers

⚠️نرمال‌سازی در برابر استانداردسازی: چرا این دو یکسان نیستند؟

بسیاری از افراد این دو مفهوم را به جای یکدیگر به کار می‌برند، اما در واقع یکسان نیستند.

👉 نرمال‌سازی (Normalization یا Min-Max Scaling):
مقادیر داده را به بازه‌ای بین ۰ تا ۱ فشرده می‌کند.
🪔این روش زمانی مفید است که بزرگی و مقیاس مقادیر اهمیت داشته باشد؛ مانند مقادیر پیکسل‌های تصویر یا محاسبه فاصله‌ها.

👉 استانداردسازی (Standardization یا Z-Score):
داده‌ها را به گونه‌ای تبدیل می‌کند که میانگین برابر با ۰ و انحراف معیار برابر با ۱ شود.
🪔این روش زمانی مفید است که شکل توزیع داده‌ها و ویژگی‌های آماری آن‌ها اهمیت داشته باشد؛ مانند رگرسیون خطی، رگرسیون لجستیک و تحلیل مؤلفه‌های اصلی (PCA).

🔑 نکته :

⭕️نرمال‌سازی نسبت‌ها و تناسب‌های نسبی بین مقادیر را حفظ می‌کند.

⭕️استانداردسازی ساختار آماری داده‌ها را حفظ می‌کند.
#Normalization
#Standardization
@toobabigdatascience