Dlaczego normalizacja cech jest potrzebna?

Normalizacja cech jest konieczna, aby dane miały jednolitą skalę, co jest ważne dla poprawnego działania wielu algorytmów uczenia maszynowego. Jeśli cechy mają różne skale (np. jedna mierzona w metrach, druga w kilometrach), algorytmy oparte na obliczaniu odległości (np. k-najbliższych sąsiadów, SVM, spadek gradientu) mogą błędnie ocenić znaczenie cech.

Normalizacja pomaga:

• Przyspieszyć zbieżność algorytmów optymalizacji.
• Uniknąć dominacji cech z dużymi wartościami.
• Zwiększyć jakość modelu i stabilność uczenia.

Przykład normalizacji Min-Max:

from sklearn.preprocessing import MinMaxScaler

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

Lub standaryzacja (doprowadzenie do średniej 0 i odchylenia standardowego 1):

from sklearn.preprocessing import StandardScaler

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