Feature-Skalierung: Normalisierung und Standardisierung
MinMaxScaler, StandardScaler, RobustScaler – wann Sie welchen verwenden und warum das wichtig ist.
Feature-Skalierung: Normalisierung und Standardisierung ist eine kostenlose Learn AI with Python-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Learn AI with Python-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Warum Merkmale skalieren?
Viele Algorithmen reagieren empfindlich auf die GRÖSSENORDNUNG von Merkmalen. Ein Merkmal im Bereich von 0 bis 1.000.000 dominiert bei distanz- oder gradientenbasierten Modellen ein Merkmal im Bereich von 0 bis 1. Durch Skalierung werden Merkmale in vergleichbare Wertebereiche gebracht.
Wer braucht Skalierung?
Skalierung ist wichtig für KNN, SVM, k-means, PCA und Modelle mit Gradientenabstieg wie lineare/logistische Regression und neuronale Netze. Baum basierte Modelle (Random Forests, Gradient Boosting) sind skaleninvariant und benötigen keine Skalierung.
Normalisierung: MinMaxScaler
Die Min-Max-Normalisierung skaliert jedes Merkmal auf einen festen Wertebereich, üblicherweise von 0 bis 1, mit (x - min) / (max - min). Die Form der Verteilung bleibt dabei erhalten.
from sklearn.preprocessing import MinMaxScaler
import numpy as np
X = np.array([[10.0], [20.0], [30.0], [40.0]])
scaler = MinMaxScaler()
print(scaler.fit_transform(X).ravel()) # [0. 0.333 0.667 1.]Standardisierung: StandardScaler
Standardisierung gibt jedem Merkmal einen Mittelwert von null und eine Varianz von eins mit (x - mean) / std. Das Ergebnis ist ein z-Score; die Werte sind zentriert, aber nicht begrenzt.
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
Xs = scaler.fit_transform(X)
print(Xs.ravel())
print(Xs.mean(), Xs.std()) # ~0 and ~1MinMax vs. Standard
Verwenden Sie MinMax, wenn Sie einen begrenzten Wertebereich benötigen (z. B. für Bildpixel oder Eingaben neuronaler Netze). Verwenden Sie Standard, wenn der Algorithmus ungefähr nullzentrierte Daten voraussetzt (PCA, SVM, lineare Modelle). MinMax reagiert empfindlicher auf Ausreißer.
RobustScaler für Ausreißer
RobustScaler zentriert anhand des MEDIANS und skaliert mit dem IQR. Da beide Größen gegenüber Ausreißern robust sind, ist dies die richtige Wahl, wenn extreme Werte die anderen Skalierer verzerren würden.
from sklearn.preprocessing import RobustScaler
Xo = np.array([[1.0], [2.0], [3.0], [4.0], [100.0]])
print(RobustScaler().fit_transform(Xo).ravel())fit vs. transform
Skalierer LERNEN Parameter in fit (das Minimum/Maximum oder den Mittelwert/die Standardabweichung) und WENDEN sie in transform AN. fit_transform führt beides in einem Aufruf aus.
scaler = StandardScaler()
scaler.fit(X) # learns mean and std
Xs = scaler.transform(X) # applies themDie goldene Regel: Nur mit Trainingsdaten fitten
Führen Sie fit immer nur auf dem TRAININGSSATZ aus und wenden Sie anschließend auf den Testsatz ausschließlich transform mit den gelernten Parametern an. Wenn Sie fit auf Testdaten ausführen, gelangen Informationen über diese Daten in Ihr Modell.
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test) # transform only!Warum nicht auf Testdaten fitten?
Wenn Sie anhand von Statistiken skalieren, die auch den Testsatz enthalten, erhält Ihre Auswertung Informationen, die ihr nicht zur Verfügung stehen sollten. Das ist Data Leakage. Dadurch entstehen zu optimistische und unzuverlässige Schätzungen der Leistung.
Inverse Transformation
Skalierer können die Operation mit inverse_transform rückgängig machen. Das ist nützlich, um skalierte Vorhersagen für die Berichterstattung in die ursprünglichen Einheiten zurückzuübertragen.
original = scaler.inverse_transform(X_train_scaled)
# recovers the pre-scaled valuesDas Ziel skalieren
Bei der Klassifikation skalieren Sie normalerweise die FEATURES, nicht das Ziel. Bei der Regression können Sie auch das Ziel skalieren. Denken Sie dann jedoch daran, die Vorhersagen vor der Fehlerberichterstattung mit inverse_transform zurückzutransformieren.
Kurze Überprüfung
Testen Sie Ihr Wissen über Skalierung.
Zusammenfassung
Werkzeuge zur Skalierung:
- Skalierung ist für Distanz-/Gradientenmodelle wichtig; Bäume ignorieren sie
MinMaxScaler-> begrenzt auf 0..1;StandardScaler-> Mittelwert null, Varianz einsRobustScalerverwendet Median und IQR und ist robust gegenüber Ausreißern- Führen Sie auf den Trainingsdaten immer
fit_transformund auf den Testdaten ausschließlichtransformaus (vermeiden Sie Data Leakage)
Häufig gestellte Fragen
Ist die Lektion „Feature-Skalierung: Normalisierung und Standardisierung“ kostenlos?
Ja — der vollständige Text von „Feature-Skalierung: Normalisierung und Standardisierung“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Learn AI with Python-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Feature-Skalierung: Normalisierung und Standardisierung“?
MinMaxScaler, StandardScaler, RobustScaler – wann Sie welchen verwenden und warum das wichtig ist. Du übst Learn AI with Python mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Learn AI with Python zu starten?
Keine Vorkenntnisse erforderlich. Learn AI with Python auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Feature-Skalierung: Normalisierung und Standardisierung“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Learn AI with Python-Lektion Code schreiben und ausführen?
Ja. Jede Learn AI with Python-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Ausreißer erkennen und entfernen
- Kategorische Variablen codieren
- Feature-Skalierung: Normalisierung und Standardisierung
- Vorverarbeitungspipelines erstellen