Защо е необходима нормализацията на признаците?

Нормализирането на признаците е необходимо, за да приведете данните към единен мащаб, което е важно за правилната работа на много алгоритми за машинно обучение. Ако признаците имат различни мащаби (например, един се измерва в метри, друг — в километри), алгоритмите, базирани на изчисляване на разстояния (например, k-близки съседи, SVM, градиентен спуск), могат неправилно да оценят важността на признаците.

Нормализацията помага:

• Да ускори сходимостта на алгоритмите за оптимизация.
• Да избегне доминирането на признаци с големи стойности.
• Да подобри качеството на модела и стабилността на обучението.

Пример за нормализация Min-Max:

from sklearn.preprocessing import MinMaxScaler

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

Или стандартизация (привеждане към средно 0 и стандартно отклонение 1):

from sklearn.preprocessing import StandardScaler

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