Ölçeklendirme nedir?

Ölçeklendirme, özellik değerlerini belirli bir aralığa getirir.

Ölçeklendirme nedir?

Özellikler farklı birimlerde olabilir: yaş 20-60, maaş 10 000-90 000. Ölçeklendirme hepsini karşılaştırılabilir bir aralığa taşır ki hiçbiri yalnızca birimi yüzünden baskın olmasın.

a = np.array([30, 40000])
b = np.array([60, 41000])
print(np.linalg.norm(a - b))   # ~1000.4  yaş farkı (30) neredeyse görünmez

Ölçeklendirme verinin şeklini değiştirmez; yalnızca eksenleri esnetir ya da sıkıştırır.

Hangi modeller etkilenir?

Etkilenenler: mesafe ya da gradyan kullanan modeller (KNN, SVM, K-means, PCA, düzenlileştirilmiş doğrusal modeller, sinir ağları). Etkilenmeyenler: ağaç tabanlı modeller (karar ağacı, random forest, gradient boosting).

# etkilenir: KNN, SVC, LogisticRegression(C=...), Ridge, Lasso, KMeans, PCA, MLP
# etkilenmez: DecisionTree, RandomForest, GradientBoosting

Düzenlileştirmede (Ridge/Lasso) ceza tüm ağırlıklara aynı uygulanır; ölçek farklıysa ceza da adaletsiz dağılır.

Uygulama Baskınlığı gör

a ve b arasındaki mesafeyi hesapla ve 1 basamağa yuvarlayıp yazdır. Ardından maaşı 1000'e bölerek (bin TL) aynı mesafeyi yeniden hesapla ve yazdır.

Örnek çözümü göster

import numpy as np

a = np.array([30.0, 40000.0])
b = np.array([60.0, 41000.0])

print(round(np.linalg.norm(a - b), 1))
olcek = np.array([1, 1000])
print(round(np.linalg.norm(a / olcek - b / olcek), 1))

Kendini test et

Ölçeklenmemiş veride iki örnek arasındaki mesafeyi en çok ne belirler?
- En önemli özellik
- İlk sütun
- Etiket
- En geniş aralıklı özellik
Cevabı göster

En geniş aralıklı özellik — Kare farklar toplandığı için büyük sayılı özellik toplamı ezer.

Vektör uzunluğunu hesapla.

d = np.linalg.____(a - b)

Cevabı göster

d = np.linalg.norm(a - b)

Modelleri ölçek duyarlılığıyla eşleştir.

KNN

Mesafe kullanır, etkilenir
RandomForest

Eşik kullanır, etkilenmez
Ridge

Ceza adaletsizleşir
PCA

Varyansa bakar, etkilenir

Sıradaki ders: StandardScaler

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler