Miért szükséges a jellemzők normalizálása?

A jellemzők normalizálása szükséges az adatok egységes skálára hozásához, ami fontos sok gépi tanulási algoritmus helyes működéséhez. Ha a jellemzők különböző skálán vannak (például egyik méterben, másik kilométerben mérve), akkor a távolság alapú algoritmusok (például k-legközelebbi szomszéd, SVM, gradienscsökkenés) helytelenül értékelhetik a jellemzők fontosságát.

A normalizálás segít:

• Gyorsítani az optimalizációs algoritmusok konvergenciáját.
• Elkerülni, hogy a nagy értékű jellemzők domináljanak.
• Javítani a modell minőségét és a tanulás stabilitását.

Min-Max normalizáció példája:

from sklearn.preprocessing import MinMaxScaler

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

Vagy standardizálás (átlag 0, szórás 1):

from sklearn.preprocessing import StandardScaler

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