Featureskalering: StandardScaler og MinMaxScaler

Mange maskinlæringsalgoritmer er følsomme over for skalaen på inputfeatures. Hvis én feature går fra 0 til 1000, og en anden går fra 0 til 1, vil afstandsbaserede modeller som KNN og SVM blive domineret af featuren med den største skala. Algoritmer med gradient descent konvergerer også meget hurtigere, når features har nogenlunde samme skala. Træbaserede modeller som Random Forests og XGBoost er skalauafhængige og kræver ikke skalering, men næsten alle andre algoritmer har fordel af det.

StandardScaler transformerer hver feature, så den får gennemsnit nul og varians én, ved at anvende formlen: z = (x - mean) / std. Dette kaldes standardisering eller z-score-normalisering. De resulterende værdier er centreret omkring 0 uden et fast interval. StandardScaler er standardvalget for de fleste algoritmer, herunder logistisk regression, SVM'er og neurale netværk, især når featurefordelingen er tilnærmelsesvis gaussisk.

Efter kaldet til fit() gemmer StandardScaler træningssættets statistik i scaler.mean_ og scaler.scale_ (standardafvigelsen). De samme statistiske værdier bruges, når du kalder transform() på nye data — det betyder, at testsættet skaleres med parametrene fra træningssættet og ikke med sine egne. Dette er den korrekte fremgangsmåde: I produktion modtager du individuelle observationer én ad gangen og skal skalere dem med den statistik, der blev beregnet under træningen.

MinMaxScaler komprimerer hver feature til et angivet interval, typisk [0, 1], ved hjælp af formlen: x_scaled = (x - x_min) / (x_max - x_min). I modsætning til StandardScaler bevarer den fordelingens relative form og håndterer ikke-gaussiske data godt. Den er følsom over for outliers: Én ekstrem værdi kan presse alle andre værdier tæt på nul eller én. MinMaxScaler er populær til neurale netværk og billeders pixelværdier (skaleret til [0, 1]).

RobustScaler skalerer ved hjælp af medianen og interkvartilafstanden (IQR) i stedet for middelværdi og standardafvigelse. Da medianen og IQR ikke påvirkes af ekstreme værdier, er RobustScaler et bedre valg, når dine data indeholder betydelige outliers. Formlen er: x_scaled = (x - median) / IQR. Brug RobustScaler, når du ikke kan fjerne outliers og ønsker, at de skal have minimal indflydelse på de skalerede værdier, der sendes til din model.

Her er en hurtig vejledning til valget: Brug StandardScaler, når dine data omtrent følger en gaussisk fordeling, og du ikke har ekstreme outliers — det er det sikreste standardvalg. Brug MinMaxScaler, når du har brug for værdier inden for et fast interval, f.eks. til billeddata eller algoritmer, der kræver inputværdier i [0, 1]. Brug RobustScaler, når der findes outliers, som har betydning (f.eks. finansielle data med pludselige svindelrelaterede udsving). For træbaserede modeller (Random Forest, XGBoost, LightGBM) skal du helt undlade skalering — det giver ingen fordel og tilføjer unødvendig kompleksitet.

En almindelig fejl er at kalde fit_transform() på testsættet, hvilket beregner en ny middelværdi og standardafvigelse ud fra testdata. Det er en form for datalækage, fordi skaleren påvirkes af værdierne i testsættet. Det korrekte mønster er: fit(X_train) → transform(X_train) → transform(X_test). Selv en lille forbedring af nøjagtigheden på grund af denne lækage kan føre til overmodige produktionsimplementeringer, som fejler på data, modellen reelt ikke har set før.

Den reneste måde at undgå skaleringslækage på er at indlejre skaleren i en scikit-learn-Pipeline. Når pipelinen tilpasses med cross_val_score eller GridSearchCV, tilpasses skaleren i hvert fold kun på træningsdelen af det pågældende fold. Testfoldet berøres aldrig under tilpasningen. Dette er det produktionsklare mønster: forbehandlings- og modellerings­trinene samles, så implementeringen bliver lige så enkel som at kalde pipeline.predict(X_new).

Efter at have lavet forudsigelser kan det være nødvendigt at konvertere dem tilbage til den oprindelige skala — f.eks. skal en boligprismodel, der er trænet på log-skalerede priser, returnere priser i kroner. Både StandardScaler og MinMaxScaler har inverse_transform(), som ophæver skaleringen. Udfør kun invers transformation på målvariablen, hvis den blev skaleret før træningen. Funktioner behøver typisk ikke at blive transformeret tilbage, fordi modellen bruger dem internt.

Sparsomme matricer — som er almindelige i tekstklassifikation med TF-IDF-vektorer — bør ikke skaleres med StandardScaler eller MinMaxScaler, fordi centrering ødelægger sparsiteten ved at gøre de fleste nuller til værdier, der ikke er nul, hvilket modvirker formålet med sparsomme datastrukturer. MaxAbsScaler skalerer hver funktion med dens største absolutte værdi og afbilder værdierne til intervallet [-1, 1] uden centrering, samtidig med at den bevarer sparsitetens struktur. Brug altid MaxAbsScaler, når du arbejder med sparsomme funktionsmatricer fra vektoriseringsværktøjer som TfidfVectorizer.

Hvis du vil se den praktiske effekt af hver skaleringsmetode, kan du sammenligne deres outputfordelinger side om side. Efter skalering bør outputtet fra StandardScaler omtrent følge N(0,1), outputtet fra MinMaxScaler bør spænde over [0,1], og outputtet fra RobustScaler bør have medianen 0 og en IQR på 1. Histogrammer før og efter skalering bekræfter, at transformationen er udført korrekt. God skalering af funktioner er en forudsætning for pålidelig modeltræning, ikke en valgfri tilføjelse.

I denne lektion har du lært: hvorfor skalering af funktioner er afgørende for afstandsbaserede algoritmer og algoritmer med gradient descent, hvordan StandardScaler standardiserer til N(0,1), mens MinMaxScaler komprimerer til [0,1], samt den kritiske regel om kun at tilpasse skaleringsmetoder på træningsdata for at forhindre lækage. Næste gang ser vi på kodning af kategoriske variabler med OrdinalEncoder og OneHotEncoder.