¿Por qué es necesaria la normalización de características?

La normalización de características es necesaria para llevar los datos a una escala uniforme, lo cual es importante para el correcto funcionamiento de muchos algoritmos de aprendizaje automático. Si las características tienen escalas diferentes (por ejemplo, una se mide en metros y otra en kilómetros), los algoritmos basados en cálculos de distancias (como k-vecinos más cercanos, SVM, descenso de gradiente) pueden evaluar incorrectamente la importancia de las características.

La normalización ayuda a:

• Acelerar la convergencia de los algoritmos de optimización.
• Evitar que las características con valores grandes dominen.
• Mejorar la calidad del modelo y la estabilidad del entrenamiento.

Ejemplo de normalización Min-Max:

from sklearn.preprocessing import MinMaxScaler

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

O estandarización (ajuste a media 0 y desviación estándar 1):

from sklearn.preprocessing import StandardScaler

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