Pourquoi la normalisation des caractéristiques est-elle nécessaire?

La normalisation des caractéristiques est nécessaire pour ramener les données à une échelle uniforme, ce qui est important pour le bon fonctionnement de nombreux algorithmes d'apprentissage automatique. Si les caractéristiques ont des échelles différentes (par exemple, l'une mesurée en mètres, l'autre en kilomètres), les algorithmes basés sur le calcul des distances (comme k-plus proches voisins, SVM, descente de gradient) peuvent mal évaluer l'importance des caractéristiques.

La normalisation aide à:

• Accélérer la convergence des algorithmes d'optimisation.
• Éviter que les caractéristiques avec de grandes valeurs dominent.
• Améliorer la qualité du modèle et la stabilité de l'apprentissage.

Exemple de normalisation Min-Max:

from sklearn.preprocessing import MinMaxScaler

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

Ou standardisation (mise à l'échelle à une moyenne de 0 et un écart-type de 1):

from sklearn.preprocessing import StandardScaler

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