რატომ არის საჭირო ნიშნების ნორმალიზაცია?

მახასიათებლების ნორმალიზაცია აუცილებელია მონაცემების ერთიანი მასშტაბისკენ მორგებისთვის, რაც მნიშვნელოვანია მრავალი მანქანური სწავლების ალგორითმის სწორად მუშაობისთვის. თუ მახასიათებლები განსხვავებული მასშტაბებითაა (მაგალითად, ერთი მეტრებში, მეორე კი კილომეტრებში), მანძილის გამოთვლაზე დაფუძნებული ალგორითმები (მაგალითად, k-ახლოს მეზობლები, SVM, გრადიენტული დაქვეითება) შეიძლება არასწორად შეაფასონ მახასიათებლების მნიშვნელობას.

ნორმალიზაცია ეხმარება:

• ოპტიმიზაციის ალგორითმების კონვერგენციის დაჩქარებაში.
• დიდ მნიშვნელობებს მყოფი მახასიათებლების დომინირების თავიდან აცილებაში.
• მოდელის ხარისხის და სწავლების სტაბილურობის გაუმჯობესებაში.

Min-Max ნორმალიზაციის მაგალითი:

from sklearn.preprocessing import MinMaxScaler

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

ან სტანდარტიზაცია (საშუალო 0 და სტანდარტული გადახრა 1-ზე):

from sklearn.preprocessing import StandardScaler

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