Зачем нужна нормализация признаков?

Нормализация признаков нужна для приведения данных к единому масштабу, что важно для корректной работы многих алгоритмов машинного обучения. Если признаки имеют разные масштабы (например, один измеряется в метрах, другой — в километрах), то алгоритмы, основанные на вычислении расстояний (например, k-ближайших соседей, SVM, градиентный спуск), могут неправильно оценивать важность признаков.

Нормализация помогает:

• Ускорить сходимость алгоритмов оптимизации.
• Избежать доминирования признаков с большими значениями.
• Повысить качество модели и стабильность обучения.

Пример нормализации Min-Max:

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
X_normalized = scaler.fit_transform(X)

Или стандартизация (приведение к среднему 0 и стандартному отклонению 1):

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_standardized = scaler.fit_transform(X)