Miks on vajalik tunnuste normaliseerimine?

Isikuomaduste normaliseerimine on vajalik andmete viimiseks ühtsesse mõõtkavasse, mis on oluline paljude masinõppe algoritmide korrektseks toimimiseks. Kui isikuomadused on erinevates mõõtkavades (näiteks üks mõõdetud meetrites, teine kilomeetrites), võivad kauguse arvutamise põhised algoritmid (näiteks k-lähedasemad naabrid, SVM, gradientlangus) valesti hinnata isikuomaduste tähtsust.

Normaliseerimine aitab:

• Kiirendada optimeerimisalgoritmide konvergentsi.
• Vältida suurte väärtustega isikuomaduste domineerimist.
• Parandada mudeli kvaliteeti ja õppimise stabiilsust.

Min-Max normaliseerimise näide:

from sklearn.preprocessing import MinMaxScaler

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

Või standardiseerimine (keskmine 0 ja standardhälve 1):

from sklearn.preprocessing import StandardScaler

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