Önce Ölçekleyin, Sonra PCA'ya Uydurun
Standardizasyonun burada neden önemli olduğu
Önce Ölçekleyin, Sonra PCA'ya Uydurun, CoddyKit'te ücretsiz bir Data Science Academy dersidir. Bu, 4 dersinin 3. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Data Science Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Data Science Academy kursu toplamda 4 dersten oluşur.
Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.
PCA Cares About Scale
PCA chases the largest variance, but variance depends on units. A feature in big numbers can dominate just because of its scale.
A Unit Trap
Imagine salary in dollars beside age in years. Salary varies in thousands, so PCA would treat it as far more important, unfairly.
Standardize First
The fix is standardization: rescale every feature to mean zero and unit variance so each starts on equal footing.
Use StandardScaler
In scikit-learn, StandardScaler centers and scales your columns before PCA ever sees them.
from sklearn.preprocessing import StandardScaler
Xs = StandardScaler().fit_transform(X)Then Fit PCA
Run PCA on the scaled data, never the raw data. Now each component reflects real structure, not lopsided units.
from sklearn.decomposition import PCA
scores = PCA(n_components=2).fit_transform(Xs)Centering Matters Too
PCA assumes data is centered at zero. Standardizing handles this by subtracting each column mean, so axes pass through the data center.
Chain It in a Pipeline
Wrap the scaler and PCA in a Pipeline so scaling always happens first and never leaks across your data splits.
from sklearn.pipeline import make_pipeline
pipe = make_pipeline(StandardScaler(), PCA(2))Fit on Train Only
Fit the scaler on training data, then reuse it on test data. Fitting on everything leaks information and inflates your scores.
When You May Skip It
If every feature already shares the same unit and range, scaling matters less. When unsure, standardize anyway; it rarely hurts.
Watch the Difference
Run PCA with and without scaling on mixed-unit data. The explained variance and top components will look strikingly different.
Robust Options Exist
With strong outliers, consider RobustScaler, which uses medians and quartiles so extreme points sway PCA less.
from sklearn.preprocessing import RobustScalerQuick Check
One step almost always comes right before PCA.
Recap
PCA is scale-sensitive, so standardize first, fit on training data only, and a pipeline keeps the order safe. 🎯
Sıkça Sorulan Sorular
“Önce Ölçekleyin, Sonra PCA'ya Uydurun” dersi ücretsiz mi?
Evet — “Önce Ölçekleyin, Sonra PCA'ya Uydurun” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Data Science Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Data Science Academy kursu toplamda 4 dersten oluşur.
“Önce Ölçekleyin, Sonra PCA'ya Uydurun” dersinde ne öğreneceğim?
Standardizasyonun burada neden önemli olduğu Data Science Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Data Science Academy öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Data Science Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 3. dersidir.
“Önce Ölçekleyin, Sonra PCA'ya Uydurun” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Data Science Academy dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Data Science Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- Çok Fazla Özelliğin Laneti
- PCA Bileşenleri Nasıl Bulur
- Önce Ölçekleyin, Sonra PCA'ya Uydurun
- Scree Grafiklerini Kullanarak Bileşenleri Seçme