Özet - Ölçeklendirme

Bu grupta StandardScaler, MinMaxScaler ve Pipeline'ı öğrendin.

Özet: ölçeklendirme

Bu grupta:

Farklı birimli özellikler mesafe ve gradyan tabanlı modelleri bozar; ağaçlar etkilenmez.
StandardScaler (z-skoru), MinMaxScaler ([0, 1]), RobustScaler (medyan/IQR).
Ölçekleyici yalnızca eğitim verisinde fit edilir; inverse_transform geri çevirir.
Pipeline ön işleme ve modeli birleştirir, sızıntıyı önler; adım__parametre ile ayarlanır.

Uygulama Ölçekleyici seçimi

Aykırı değer içeren x için MinMaxScaler ve RobustScaler sonuçlarını ravel().round(2) ile alt alta yazdır.

Örnek çözümü göster

import numpy as np
from sklearn.preprocessing import MinMaxScaler, RobustScaler

x = np.array([[10.0], [12.0], [11.0], [13.0], [90.0]])

print(MinMaxScaler().fit_transform(x).ravel().round(2))
print(RobustScaler().fit_transform(x).ravel().round(2))

Kendini test et

Hangisi veri sızıntısına yol açar?
- Ölçekleyiciyi X_train ile fit etmek
- Ağaç modelini ölçeksiz eğitmek
- Ölçekleyiciyi tüm veriyle fit edip sonra bölmek
- Pipeline kullanmak
Cevabı göster

Ölçekleyiciyi tüm veriyle fit edip sonra bölmek — Test kümesinin istatistikleri ölçeğe karışır; skor iyimser çıkar.

Adları otomatik veren pipeline oluştur.

pipe = ____(StandardScaler(), LogisticRegression())

Cevabı göster

pipe = make_pipeline(StandardScaler(), LogisticRegression())

Formülleri eşleştir.

StandardScaler

(x - ortalama) / std
MinMaxScaler

(x - min) / (max - min)
RobustScaler

(x - medyan) / IQR
inverse_transform

Özgün birime dönüş

Sıradaki ders: Özellik nedir?

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler