Datanormalisering er et kritisk forbehandlingssteg for mange klyngealgoritmer, inkludert K-means. Egenskaper i virkelige datasett har ofte ulike skalaer og enheter. Algoritmer som er avhengige av avstandskalkulasjoner, som K-means, kan bli sterkt påvirket av egenskaper med større skala. Normalisering har som mål å bringe alle egenskaper til en lignende skala, og forhindrer at egenskaper med større verdier dominerer klyngeprosessen.

StandardScaler

StandardScaler standardiserer egenskaper ved å fjerne gjennomsnittet og skalere til enhetsvarians. Den transformerer data til å ha et gjennomsnitt på 0 og et standardavvik på 1. Dette oppnås ved å trekke fra gjennomsnittet og dele på standardavviket for hver egenskap.

StandardScaler er effektiv når dataene dine er tilnærmet normalfordelte. Den er mye brukt og ofte en god standard normaliseringsmetode for mange algoritmer.

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
features = df[['feature1', 'feature2']]

df[['feature1', 'feature2']] = scaler.fit_transform(features)

MinMaxScaler

MinMaxScaler skalerer egenskaper til et spesifikt intervall, vanligvis mellom 0 og 1. Den transformerer data ved å skalere og flytte hver egenskap individuelt slik at den er innenfor det gitte intervallet.

MinMaxScaler er nyttig når du trenger verdier innenfor et spesifikt intervall, eller når dataene dine ikke er normalfordelte. Den bevarer formen til den opprinnelige fordelingen, bare skalert til det nye intervallet.

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
features = df[['feature1', 'feature2']]

df[['feature1', 'feature2']] = scaler.fit_transform(features)

Valget mellom StandardScaler og MinMaxScaler avhenger av dataene dine og den spesifikke algoritmen. StandardScaler foretrekkes ofte for algoritmer som K-means når egenskapene er omtrent normalfordelte. MinMaxScaler kan være nyttig når du trenger avgrensede verdier eller når dataene ikke er normalfordelte.