Özel ölçeklendirme, makine öğrenme algoritmaları için veri hazırlama konusunda önemli bir adımdır. Model performansını ve yakın hız geliştirmek için özellik değerleri yelpazesini ayarlamaktadır. matematiksel temeller farklı veri kümeleri için uygun teknikleri seçmede yardımcı olur.

Matematiksel Özellik Vakfı

Özel ölçeklendirme yöntemleri, verilerin dağılımını değiştiren matematiksel dönüşümlere dayanmaktadır. Common teknikleri normalleşme ve standardizasyon içerir. Normalleşme rescales features to a specific range, tipik olarak [0, 1], formülü kullanarak:

[[Düzen değer = (x - min) / (max - min)).

Standartizasyon verileri 0 ve 1 standart sapması anlamına gelir:

[[Düzen değer = (x - μ) / ⁇ ).

Özel Scaling için Pratik Teknikler

Örnek olarak, k-nearest komşuları ve sinir ağları normalleşmeden faydalanırken, lineer regresyon ve lojistik regresyon genellikle standartlaştırmayı kullanır.

Ortak teknikler şunlardır:

  • Min-Max Scaling
  • Z-Score Standardizasyon
  • Robust Scaling
  • MaxAbs Scaling

Eğitim verileri üzerindeki ölçeklendirme parametrelerine uymanın ve aynı dönüşümü veri sızıntısını önlemek için test verilerine uygulamak önemlidir.