なぜ特徴スケーリングは機械学習において重要なのか？6つの特徴スケーリング技術についての議論

特徴スケーリングの重要性と6つの技術についての議論

標準化、正規化、ロバストスケーリング、平均正規化、最大絶対スケーリング、およびベクトルの単位長さのスケーリング

多くの機械学習アルゴリズムは、同じスケールで特徴を持つ必要があります。

さまざまなシナリオで選択できるさまざまな特徴スケーリング方法があります。これらには異なる（技術的な）名前があります。用語「特徴スケーリング」は、単にこれらの方法のいずれかを指します。

トピック------1. 異なるシナリオでの特徴スケーリング   a. PCA（主成分分析）における特徴スケーリング   b. k-meansにおける特徴スケーリング   c. KNNおよびSVMにおける特徴スケーリング   d. 線形モデルにおける特徴スケーリング   e. ニューラルネットワークにおける特徴スケーリング   f. 収束における特徴スケーリング   g. ツリーベースのアルゴリズムにおける特徴スケーリング   h. LDAにおける特徴スケーリング2. 特徴スケーリングの方法   a. 標準化   b. 最小-最大スケーリング（正規化）   c. ロバストスケーリング   d. 平均正規化   e. 最大絶対スケーリング   f. ベクトルの単位長さのスケーリング3. 特徴スケーリングとデータの分布4. 特徴スケーリング時のデータ漏洩5. 特徴スケーリング方法のまとめ

異なるシナリオでの特徴スケーリング

• PCAにおける特徴スケーリング: 主成分分析では、PCAの成分は元の特徴の相対的な範囲に非常に敏感です。もし特徴が同じスケールで測定されていない場合、PCAはデータの分散を最大化する成分を選択しようとします。もしいくつかの特徴の範囲がより大きい場合、それらの特徴がPCAプロセスを支配する可能性があります。この場合、真の分散は成分によって捉えられないかもしれません。これを避けるためには、通常PCAの前に特徴スケーリングを行います。ただし、2つの例外があります。もし特徴間のスケールに有意差がない場合、例えば1つの特徴が0から1の範囲にあり、もう1つの特徴が0から1.2の範囲にある場合、特徴スケーリングは必要ありませんが、行っても問題ありません！相関行列を分解してPCAを実行する場合、特徴が同じスケールで測定されていなくても特徴スケーリングは必要ありません…

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!