Kāpēc ir nepieciešama raksturlielumu normalizācija?

Raksturlielumu normalizācija ir nepieciešama, lai datus novestu vienotā mērogā, kas ir svarīgi daudzu mašīnmācīšanās algoritmu pareizai darbībai. Ja raksturlielumi ir dažādos mērogos (piemēram, viens mērīts metros, otrs kilometrus), algoritmi, kas balstās uz attāluma aprēķinu (piemēram, k tuvāko kaimiņu, SVM, gradienta kritums), var nepareizi novērtēt raksturlielumu nozīmi.

Normalizācija palīdz:

• Paātrināt optimizācijas algoritmu konverģenci.
• Izvairīties no lielu vērtību raksturlielumu dominēšanas.
• Uzlabot modeļa kvalitāti un stabilitāti apmācībā.

Min-Max normalizācijas piemērs:

from sklearn.preprocessing import MinMaxScaler

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

Vai standarta (vidējā 0 un standarta novirze 1):

from sklearn.preprocessing import StandardScaler

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