{"id":478223,"date":"2023-08-09T09:29:19","date_gmt":"2023-08-09T09:29:19","guid":{"rendered":""},"modified":"2023-09-05T11:16:19","modified_gmt":"2023-09-05T11:16:19","slug":"normalization-in-data-preprocessing","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/de\/wiki\/normalization-in-data-preprocessing\/","title":{"rendered":"Normalisierung in der Datenvorverarbeitung"},"content":{"rendered":"<p>Die Normalisierung bei der Datenvorverarbeitung ist ein entscheidender Schritt bei der Vorbereitung von Daten f\u00fcr die Analyse und Modellierung in verschiedenen Bereichen, einschlie\u00dflich maschinellem Lernen, Data Mining und statistischer Analyse. Dabei werden Daten in ein standardisiertes Format umgewandelt, um Inkonsistenzen zu beseitigen und sicherzustellen, dass verschiedene Funktionen in einem vergleichbaren Ma\u00dfstab vorliegen. Dadurch verbessert die Normalisierung die Effizienz und Genauigkeit von Algorithmen, die auf der Gr\u00f6\u00dfe der Eingabevariablen basieren.<\/p>\n<h2>Die Entstehungsgeschichte der Normalisierung in der Datenvorverarbeitung und ihre erste Erw\u00e4hnung<\/h2>\n<p>Das Konzept der Normalisierung in der Datenvorverarbeitung geht auf fr\u00fche statistische Praktiken zur\u00fcck. Seine Formalisierung und Anerkennung als grundlegende Datenvorverarbeitungstechnik l\u00e4sst sich jedoch auf die Arbeiten von Statistikern wie Karl Pearson und Ronald Fisher im sp\u00e4ten 19. und fr\u00fchen 20. Jahrhundert zur\u00fcckf\u00fchren. Pearson f\u00fchrte die Idee der Standardisierung (eine Form der Normalisierung) in seinen Korrelationskoeffizienten ein, der Vergleiche von Variablen mit unterschiedlichen Einheiten erm\u00f6glichte.<\/p>\n<p>Im Bereich des maschinellen Lernens wurde der Begriff der Normalisierung mit dem Aufkommen k\u00fcnstlicher neuronaler Netze in den 1940er Jahren popul\u00e4r. Forscher fanden heraus, dass die Normalisierung der Eingabedaten die Konvergenz und Leistung dieser Modelle deutlich verbesserte.<\/p>\n<h2>Detaillierte Informationen zur Normalisierung in der Datenvorverarbeitung<\/h2>\n<p>Ziel der Normalisierung ist es, alle Merkmale des Datensatzes auf eine gemeinsame Skala zu bringen, h\u00e4ufig zwischen 0 und 1, ohne die zugrunde liegende Verteilung der Daten zu verzerren. Dies ist von entscheidender Bedeutung, wenn es um Features geht, die deutlich unterschiedliche Bereiche oder Einheiten haben, da Algorithmen Features mit gr\u00f6\u00dferen Werten m\u00f6glicherweise eine \u00fcberm\u00e4\u00dfige Bedeutung beimessen.<\/p>\n<p>Der Normalisierungsprozess umfasst die folgenden Schritte:<\/p>\n<ol>\n<li>\n<p><strong>Identifizieren von Merkmalen<\/strong>: Bestimmen Sie anhand ihrer Skalen und Verteilungen, welche Features eine Normalisierung erfordern.<\/p>\n<\/li>\n<li>\n<p><strong>Skalierung<\/strong>: Transformieren Sie jedes Feature unabh\u00e4ngig, sodass es in einem bestimmten Bereich liegt. Zu den g\u00e4ngigen Skalierungstechniken geh\u00f6ren die Min-Max-Skalierung und die Z-Score-Standardisierung.<\/p>\n<\/li>\n<li>\n<p><strong>Normalisierungsformel<\/strong>: Die am h\u00e4ufigsten verwendete Formel f\u00fcr die Min-Max-Skalierung ist:<\/p>\n<pre><div class=\"bg-black rounded-md mb-4\"><div class=\"flex items-center relative text-gray-200 bg-gray-800 px-4 py-2 text-xs font-sans justify-between rounded-t-md\"><span>scss<\/span><button class=\"flex ml-auto gap-2\"><svg stroke=\"currentColor\" fill=\"none\" stroke-width=\"2\" viewbox=\"0 0 24 24\" stroke-linecap=\"round\" stroke-linejoin=\"round\" class=\"h-4 w-4\" height=\"1em\" width=\"1em\" ><path d=\"M16 4h2a2 2 0 0 1 2 2v14a2 2 0 0 1-2 2H6a2 2 0 0 1-2-2V6a2 2 0 0 1 2-2h2\"><\/path><rect x=\"8\" y=\"2\" width=\"8\" height=\"4\" rx=\"1\" ry=\"1\"><\/rect><\/svg>Code kopieren<\/button><\/div><div class=\"p-4 overflow-y-auto\"><code class=\"!whitespace-pre hljs language-scss\" data-no-translation=\"\">x_normalized = (x - min(x)) \/ (max(x) - <span class=\"hljs-built_in\">min<\/span>(x))\n<\/code><\/div><\/div><\/pre>\n<p>Wo <code data-no-translation=\"\">x<\/code> ist der urspr\u00fcngliche Wert und <code data-no-translation=\"\">x_normalized<\/code> ist der normalisierte Wert.<\/p>\n<\/li>\n<li>\n<p><strong>Z-Score-Standardisierungsformel<\/strong>: F\u00fcr die Z-Score-Standardisierung lautet die Formel:<\/p>\n<pre><div class=\"bg-black rounded-md mb-4\"><div class=\"flex items-center relative text-gray-200 bg-gray-800 px-4 py-2 text-xs font-sans justify-between rounded-t-md\"><span>Makefile<\/span><button class=\"flex ml-auto gap-2\"><svg stroke=\"currentColor\" fill=\"none\" stroke-width=\"2\" viewbox=\"0 0 24 24\" stroke-linecap=\"round\" stroke-linejoin=\"round\" class=\"h-4 w-4\" height=\"1em\" width=\"1em\" ><path d=\"M16 4h2a2 2 0 0 1 2 2v14a2 2 0 0 1-2 2H6a2 2 0 0 1-2-2V6a2 2 0 0 1 2-2h2\"><\/path><rect x=\"8\" y=\"2\" width=\"8\" height=\"4\" rx=\"1\" ry=\"1\"><\/rect><\/svg>Code kopieren<\/button><\/div><div class=\"p-4 overflow-y-auto\"><code class=\"!whitespace-pre hljs language-makefile\" data-no-translation=\"\">z = (x - mean) \/ standard_deviation\n<\/code><\/div><\/div><\/pre>\n<p>Wo <code data-no-translation=\"\">mean<\/code> ist der Mittelwert der Merkmalswerte, <code data-no-translation=\"\">standard_deviation<\/code> ist die Standardabweichung und <code data-no-translation=\"\">z<\/code> ist der normierte Wert.<\/p>\n<\/li>\n<\/ol>\n<h2>Die interne Struktur der Normalisierung in der Datenvorverarbeitung. So funktioniert die Normalisierung in der Datenvorverarbeitung<\/h2>\n<p>Die Normalisierung wirkt sich auf einzelne Merkmale des Datensatzes aus und ist somit eine Transformation auf Merkmalsebene. Der Prozess umfasst die Berechnung der statistischen Eigenschaften jedes Merkmals, z. B. Minimum, Maximum, Mittelwert und Standardabweichung, und die anschlie\u00dfende Anwendung der entsprechenden Skalierungsformel auf jeden Datenpunkt innerhalb dieses Merkmals.<\/p>\n<p>Das Hauptziel der Normalisierung besteht darin, zu verhindern, dass bestimmte Merkmale aufgrund ihrer gr\u00f6\u00dferen Gr\u00f6\u00dfe den Lernprozess dominieren. Durch die Skalierung aller Features auf einen gemeinsamen Bereich stellt die Normalisierung sicher, dass jedes Feature proportional zum Lernprozess beitr\u00e4gt und numerische Instabilit\u00e4ten w\u00e4hrend der Optimierung verhindert.<\/p>\n<h2>Analyse der Hauptmerkmale der Normalisierung in der Datenvorverarbeitung<\/h2>\n<p>Die Normalisierung bietet mehrere entscheidende Vorteile bei der Datenvorverarbeitung:<\/p>\n<ol>\n<li>\n<p><strong>Verbesserte Konvergenz<\/strong>: Durch die Normalisierung k\u00f6nnen Algorithmen w\u00e4hrend des Trainings schneller konvergieren, insbesondere bei optimierungsbasierten Algorithmen wie dem Gradientenabstieg.<\/p>\n<\/li>\n<li>\n<p><strong>Verbesserte Modellleistung<\/strong>: Die Normalisierung von Daten kann zu einer besseren Modellleistung und Generalisierung f\u00fchren, da sie das Risiko einer \u00dcberanpassung verringert.<\/p>\n<\/li>\n<li>\n<p><strong>Vergleichbarkeit von Merkmalen<\/strong>: Es erm\u00f6glicht den direkten Vergleich von Merkmalen mit unterschiedlichen Einheiten und Bereichen und f\u00f6rdert so eine faire Gewichtung w\u00e4hrend der Analyse.<\/p>\n<\/li>\n<li>\n<p><strong>Robustheit gegen\u00fcber Ausrei\u00dfern<\/strong>: Einige Normalisierungstechniken, wie z. B. die Z-Score-Standardisierung, k\u00f6nnen gegen\u00fcber Ausrei\u00dfern robuster sein, da sie weniger empfindlich auf Extremwerte reagieren.<\/p>\n<\/li>\n<\/ol>\n<h2>Arten der Normalisierung in der Datenvorverarbeitung<\/h2>\n<p>Es gibt verschiedene Arten von Normalisierungstechniken, jede mit ihren spezifischen Anwendungsf\u00e4llen und Merkmalen. Nachfolgend sind die h\u00e4ufigsten Arten der Normalisierung aufgef\u00fchrt:<\/p>\n<ol>\n<li>\n<p><strong>Min-Max-Skalierung (Normalisierung)<\/strong>:<\/p>\n<ul>\n<li>Skaliert Daten auf einen bestimmten Bereich, h\u00e4ufig zwischen 0 und 1.<\/li>\n<li>Beh\u00e4lt die relativen Beziehungen zwischen Datenpunkten bei.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p><strong>Z-Score-Standardisierung<\/strong>:<\/p>\n<ul>\n<li>Transformiert Daten so, dass sie einen Mittelwert von Null und eine Einheitsvarianz aufweisen.<\/li>\n<li>N\u00fctzlich, wenn die Daten eine Gau\u00df-Verteilung haben.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p><strong>Dezimale Skalierung<\/strong>:<\/p>\n<ul>\n<li>Verschiebt den Dezimalpunkt der Daten, sodass sie in einen bestimmten Bereich fallen.<\/li>\n<li>Beh\u00e4lt die Anzahl der signifikanten Ziffern bei.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p><strong>Maximale Skalierung<\/strong>:<\/p>\n<ul>\n<li>Dividiert Daten durch den Maximalwert und legt den Bereich zwischen 0 und 1 fest.<\/li>\n<li>Geeignet, wenn der Mindestwert Null ist.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p><strong>Vektornormen<\/strong>:<\/p>\n<ul>\n<li>Normalisiert jeden Datenpunkt so, dass er eine Einheitsnorm (L\u00e4nge) hat.<\/li>\n<li>Wird h\u00e4ufig bei der Klassifizierung und Clusterung von Texten verwendet.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h2>M\u00f6glichkeiten zur Verwendung der Normalisierung in der Datenvorverarbeitung, Probleme und deren L\u00f6sungen im Zusammenhang mit der Verwendung<\/h2>\n<p>Normalisierung ist eine vielseitige Technik, die in verschiedenen Datenvorverarbeitungsszenarien verwendet wird:<\/p>\n<ol>\n<li>\n<p><strong>Maschinelles Lernen<\/strong>: Vor dem Training von Modellen f\u00fcr maschinelles Lernen ist die Normalisierung von Funktionen von entscheidender Bedeutung, um zu verhindern, dass bestimmte Attribute den Lernprozess dominieren.<\/p>\n<\/li>\n<li>\n<p><strong>Clustering<\/strong>: Durch die Normalisierung wird sichergestellt, dass Features mit unterschiedlichen Einheiten oder Ma\u00dfst\u00e4ben den Clustering-Prozess nicht \u00fcberm\u00e4\u00dfig beeinflussen, was zu genaueren Ergebnissen f\u00fchrt.<\/p>\n<\/li>\n<li>\n<p><strong>Bildverarbeitung<\/strong>: Bei Computer-Vision-Aufgaben hilft die Normalisierung der Pixelintensit\u00e4ten, Bilddaten zu standardisieren.<\/p>\n<\/li>\n<li>\n<p><strong>Zeitreihenanalyse<\/strong>: Die Normalisierung kann auf Zeitreihendaten angewendet werden, um verschiedene Reihen vergleichbar zu machen.<\/p>\n<\/li>\n<\/ol>\n<p>Bei der Verwendung der Normalisierung gibt es jedoch potenzielle Herausforderungen:<\/p>\n<ol>\n<li>\n<p><strong>Empfindlich gegen\u00fcber Ausrei\u00dfern<\/strong>: Die Min-Max-Skalierung kann empfindlich auf Ausrei\u00dfer reagieren, da sie Daten basierend auf dem Bereich zwischen Minimal- und Maximalwerten skaliert.<\/p>\n<\/li>\n<li>\n<p><strong>Datenlecks<\/strong>: Die Normalisierung sollte an den Trainingsdaten durchgef\u00fchrt und konsistent auf die Testdaten angewendet werden, um Datenlecks und verzerrte Ergebnisse zu vermeiden.<\/p>\n<\/li>\n<li>\n<p><strong>Normalisierung \u00fcber Datens\u00e4tze hinweg<\/strong>: Wenn neue Daten deutlich andere statistische Eigenschaften als die Trainingsdaten aufweisen, funktioniert die Normalisierung m\u00f6glicherweise nicht effektiv.<\/p>\n<\/li>\n<\/ol>\n<p>Um diese Probleme anzugehen, k\u00f6nnen Datenanalysten den Einsatz robuster Normalisierungsmethoden in Betracht ziehen oder Alternativen wie Feature Engineering oder Datentransformation erkunden.<\/p>\n<h2>Hauptmerkmale und weitere Vergleiche mit \u00e4hnlichen Begriffen in Form von Tabellen und Listen<\/h2>\n<p>Nachfolgend finden Sie eine Vergleichstabelle der Normalisierung und anderer verwandter Datenvorverarbeitungstechniken:<\/p>\n<table>\n<thead>\n<tr>\n<th>Technik<\/th>\n<th>Zweck<\/th>\n<th>Eigenschaften<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Normalisierung<\/strong><\/td>\n<td>Skalieren Sie Features auf einen gemeinsamen Bereich<\/td>\n<td>Beh\u00e4lt relative Beziehungen bei<\/td>\n<\/tr>\n<tr>\n<td><strong>Standardisierung<\/strong><\/td>\n<td>Transformieren Sie Daten in den Mittelwert Null und die Einheitsvarianz<\/td>\n<td>Geht von einer Gau\u00dfschen Verteilung aus<\/td>\n<\/tr>\n<tr>\n<td><strong>Funktionsskalierung<\/strong><\/td>\n<td>Skalieren Sie Features ohne einen bestimmten Bereich<\/td>\n<td>Beh\u00e4lt die Proportionen der Features bei<\/td>\n<\/tr>\n<tr>\n<td><strong>Datentransformation<\/strong><\/td>\n<td>\u00c4ndern Sie die Datenverteilung f\u00fcr die Analyse<\/td>\n<td>Kann nichtlinear sein<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Perspektiven und Technologien der Zukunft im Zusammenhang mit der Normalisierung in der Datenvorverarbeitung<\/h2>\n<p>Die Normalisierung der Datenvorverarbeitung wird weiterhin eine entscheidende Rolle bei der Datenanalyse und dem maschinellen Lernen spielen. Mit der Weiterentwicklung der Bereiche k\u00fcnstliche Intelligenz und Datenwissenschaft k\u00f6nnten neue Normalisierungstechniken entstehen, die auf bestimmte Datentypen und Algorithmen zugeschnitten sind. Zuk\u00fcnftige Entwicklungen k\u00f6nnten sich auf adaptive Normalisierungsmethoden konzentrieren, die sich automatisch an unterschiedliche Datenverteilungen anpassen und so die Effizienz von Vorverarbeitungspipelines verbessern k\u00f6nnen.<\/p>\n<p>Dar\u00fcber hinaus k\u00f6nnen Fortschritte bei Deep Learning und neuronalen Netzwerkarchitekturen Normalisierungsschichten als integralen Bestandteil des Modells integrieren, wodurch der Bedarf an expliziten Vorverarbeitungsschritten verringert wird. Diese Integration k\u00f6nnte den Trainingsprozess weiter rationalisieren und die Modellleistung verbessern.<\/p>\n<h2>Wie Proxyserver verwendet oder mit der Normalisierung in der Datenvorverarbeitung verkn\u00fcpft werden k\u00f6nnen<\/h2>\n<p>Proxyserver, die von Anbietern wie OneProxy angeboten werden, fungieren als Vermittler zwischen Clients und anderen Servern und verbessern so die Sicherheit, den Datenschutz und die Leistung. W\u00e4hrend Proxy-Server selbst nicht direkt mit Datenvorverarbeitungstechniken wie der Normalisierung verbunden sind, k\u00f6nnen sie die Datenvorverarbeitung auf folgende Weise indirekt beeinflussen:<\/p>\n<ol>\n<li>\n<p><strong>Datensammlung<\/strong>: Proxyserver k\u00f6nnen zum Sammeln von Daten aus verschiedenen Quellen verwendet werden, wodurch Anonymit\u00e4t gew\u00e4hrleistet und ein direkter Zugriff auf die urspr\u00fcngliche Datenquelle verhindert wird. Dies ist besonders n\u00fctzlich, wenn es um sensible oder geografisch begrenzte Daten geht.<\/p>\n<\/li>\n<li>\n<p><strong>Verkehrsanalyse<\/strong>: Proxyserver k\u00f6nnen bei der Analyse des Netzwerkverkehrs helfen, was Teil der Datenvorverarbeitung sein kann, um Muster, Anomalien und potenzielle Normalisierungsanforderungen zu identifizieren.<\/p>\n<\/li>\n<li>\n<p><strong>Daten-Scraping<\/strong>: Proxyserver k\u00f6nnen verwendet werden, um Daten effizient und ethisch von Websites zu entfernen, IP-Blockierungen zu verhindern und eine faire Datenerfassung sicherzustellen.<\/p>\n<\/li>\n<\/ol>\n<p>W\u00e4hrend Proxyserver die Normalisierung nicht direkt durchf\u00fchren, k\u00f6nnen sie die Datenerfassungs- und Vorverarbeitungsphasen erleichtern, was sie zu wertvollen Werkzeugen in der gesamten Datenverarbeitungspipeline macht.<\/p>\n<h2>Verwandte Links<\/h2>\n<p>Weitere Informationen zur Normalisierung in der Datenvorverarbeitung finden Sie in den folgenden Ressourcen:<\/p>\n<ul>\n<li><a href=\"https:\/\/en.wikipedia.org\/wiki\/Normalization_(statistics)\" target=\"_new\" rel=\"noopener nofollow\">Normalisierung (Statistik) \u2013 Wikipedia<\/a><\/li>\n<li><a href=\"https:\/\/towardsdatascience.com\/feature-scaling-why-it-matters-and-how-to-do-it-fc9b8601aa0d\" target=\"_new\" rel=\"noopener nofollow\">Feature-Skalierung: Warum es wichtig ist und wie man es richtig macht<\/a><\/li>\n<li><a href=\"https:\/\/machinelearningmastery.com\/normalize-standardize-machine-learning-data-weka\/\" target=\"_new\" rel=\"noopener nofollow\">Eine sanfte Einf\u00fchrung in die Normalisierung<\/a><\/li>\n<li><a href=\"https:\/\/oneproxy.pro\/de\/blog\/proxy-servers-and-their-benefits\/\" target=\"_new\" rel=\"noopener\">Proxyserver und ihre Vorteile<\/a><\/li>\n<\/ul>\n<p>Denken Sie daran, dass das Verst\u00e4ndnis und die Implementierung geeigneter Normalisierungstechniken f\u00fcr die Datenvorverarbeitung unerl\u00e4sslich sind, was wiederum den Grundstein f\u00fcr eine erfolgreiche Datenanalyse und -modellierung legt.<\/p>","protected":false},"featured_media":469025,"menu_order":0,"template":"","meta":{"_acf_changed":false,"content-type":"","inline_featured_image":false,"footnotes":""},"class_list":["post-478223","wiki","type-wiki","status-publish","has-post-thumbnail","hentry"],"acf":{"faq_title":"Frequently Asked Questions about <mark>Normalization in Data Preprocessing<\/mark>","faq_items":[{"question":"What is normalization in data preprocessing?","answer":"<p>Normalization in data preprocessing is a vital step that transforms data into a standardized format to ensure all features are on a comparable scale. It eliminates inconsistencies and enhances the efficiency and accuracy of algorithms used in machine learning, data mining, and statistical analysis.<\/p>"},{"question":"How did normalization in data preprocessing originate?","answer":"<p>The concept of normalization dates back to early statistical practices. Its formalization can be traced to statisticians like Karl Pearson and Ronald Fisher in the late 19th and early 20th centuries. It gained popularity with the rise of artificial neural networks in the 1940s.<\/p>"},{"question":"How does normalization work?","answer":"<p>Normalization operates on individual features of the dataset, transforming each feature independently to a common scale. It involves calculating statistical properties like minimum, maximum, mean, and standard deviation and then applying the appropriate scaling formula to each data point within that feature.<\/p>"},{"question":"What are the key benefits of normalization?","answer":"<p>Normalization offers several benefits, including improved convergence in algorithms, enhanced model performance, comparability of features with different units, and robustness to outliers.<\/p>"},{"question":"What are the different types of normalization?","answer":"<p>There are various normalization techniques, including Min-Max Scaling, Z-score Standardization, Decimal Scaling, Max Scaling, and Vector Norms, each with its specific use cases and characteristics.<\/p>"},{"question":"How is normalization used in data preprocessing?","answer":"<p>Normalization is used in machine learning, clustering, image processing, time series analysis, and other data-related tasks. It ensures fair weighting of features, prevents data leakage, and makes different data sets comparable.<\/p>"},{"question":"What challenges can arise when using normalization?","answer":"<p>Normalization can be sensitive to outliers, may cause data leakage if not applied consistently, and may not work effectively if new data has significantly different statistical properties from the training data.<\/p>"},{"question":"How does normalization compare to other data preprocessing techniques?","answer":"<p>Normalization scales data to a common range, while standardization transforms data to have zero mean and unit variance. Feature scaling preserves proportions, and data transformation changes data distribution for analysis.<\/p>"},{"question":"What are the future perspectives of normalization in data preprocessing?","answer":"<p>Future developments may focus on adaptive normalization methods that automatically adjust to different data distributions. Integration of normalization layers in deep learning models could streamline training and enhance performance.<\/p>"},{"question":"How are proxy servers associated with normalization in data preprocessing?","answer":"<p>Proxy servers from providers like OneProxy can facilitate data collection and preprocessing stages, ensuring anonymity, preventing IP blocking, and aiding in efficient data scraping, indirectly impacting the overall data processing pipeline.<\/p>"}]},"_links":{"self":[{"href":"https:\/\/oneproxy.pro\/de\/wp-json\/wp\/v2\/wiki\/478223","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/de\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/de\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/de\/wp-json\/wp\/v2\/wiki\/478223\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/oneproxy.pro\/de\/wp-json\/wp\/v2\/media\/469025"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/de\/wp-json\/wp\/v2\/media?parent=478223"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}