Kodėl reikalinga požymių normalizacija?

Ženklų normalizavimas yra būtinas, kad duomenys būtų suvienodinti pagal mastelį, kas yra svarbu daugeliui mašininio mokymosi algoritmų tinkamam veikimui. Jei ženklai turi skirtingus mastelius (pavyzdžiui, vienas matuojamas metrais, kitas kilometrų), algoritmai, pagrįsti atstumų skaičiavimu (pavyzdžiui, k artimiausių kaimynų, SVM, gradiento nusileidimas), gali neteisingai įvertinti ženklų svarbą.

Normalizavimas padeda:

• Paspartinti optimizacijos algoritmų konvergenciją.
• Išvengti didelių reikšmių turinčių ženklų dominavimo.
• Pagerinti modelio kokybę ir mokymosi stabilumą.

Min-Max normalizavimo pavyzdys:

from sklearn.preprocessing import MinMaxScaler

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

Arba standartizavimas (pritaikymas prie vidurkio 0 ir standartinio nuokrypio 1):

from sklearn.preprocessing import StandardScaler

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