Perché è necessaria la normalizzazione delle caratteristiche?

La normalizzazione delle caratteristiche è necessaria per portare i dati a una scala uniforme, cosa importante per il corretto funzionamento di molti algoritmi di apprendimento automatico. Se le caratteristiche hanno scale diverse (ad esempio, una misurata in metri, l'altra in chilometri), gli algoritmi basati sul calcolo delle distanze (come k-Nearest Neighbors, SVM, discesa del gradiente) possono valutare erroneamente l'importanza delle caratteristiche.

La normalizzazione aiuta a:

• Accelerare la convergenza degli algoritmi di ottimizzazione.
• Evitare che le caratteristiche con valori grandi dominino.
• Migliorare la qualità del modello e la stabilità dell'apprendimento.

Esempio di normalizzazione Min-Max:

from sklearn.preprocessing import MinMaxScaler

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

Oppure standardizzazione (portare a media 0 e deviazione standard 1):

from sklearn.preprocessing import StandardScaler

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