Hoe beïnvloedt het schalen van kenmerken de training van het model?

Feature scaling beïnvloedt de training van het model op de volgende manier:

• Versnelt de convergentie van algoritmen — veel optimalisatiemethoden (bijvoorbeeld gradient descent) werken efficiënter wanneer kenmerken op dezelfde schaal liggen.
• Voorkomt dat kenmerken met grote waarden domineren — zonder schaalverdeling kunnen kenmerken met grote numerieke waarden onevenredig invloed uitoefenen op het model.
• Verbetert de kwaliteit van het model — vooral voor schaalgevoelige algoritmen zoals k-Nearest Neighbors, SVM, logistieke regressie.

Typische schaalmethoden:

• Normalisatie (Min-Max Scaling) — brengt waarden in het bereik [0,1].
• Standaardisatie (Standard Scaling) — past de data aan op een distributie met gemiddelde nul en standaarddeviatie één.

Voorbeeld in Python met sklearn:

from sklearn.preprocessing import StandardScaler

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

Op deze manier verbetert het schalen van kenmerken de stabiliteit en efficiëntie van het trainen van modellen.