Por que é necessária a normalização de características?

A normalização de características é necessária para trazer os dados a uma escala uniforme, o que é importante para o funcionamento correto de muitos algoritmos de aprendizagem de máquina. Se as características tiverem escalas diferentes (por exemplo, uma medida em metros, outra em quilômetros), os algoritmos baseados no cálculo de distâncias (como k-vizinhos mais próximos, SVM, descida do gradiente) podem avaliar incorretamente a importância das características.

A normalização ajuda a:

• Acelerar a convergência dos algoritmos de otimização.
• Evitar que características com valores grandes dominem.
• Melhorar a qualidade do modelo e a estabilidade do treinamento.

Exemplo de normalização Min-Max:

from sklearn.preprocessing import MinMaxScaler

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

Ou padronização (ajuste para média 0 e desvio padrão 1):

from sklearn.preprocessing import StandardScaler

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