Özellik Ölçekleme (Feature Scaling)
Veri & eğitimFeature scaling nedir?
Feature scaling, farklı birimlerdeki ve farklı aralıklardaki özellikleri (feature) ortak bir ölçeğe çekme işlemidir. Bir veri setinde "yaş" 0–100 arasında, "gelir" ise 0–1.000.000 arasında olabilir. Bu haliyle modele verirsen, büyük sayılı özellik sırf ölçeği yüzünden baskın çıkar. Feature scaling bu dengesizliği giderir.
Nasıl çalışır?
İki yaygın yöntem var. Normalization (min-max scaling) değerleri genelde 0 ile 1 arasına sıkıştırır: her değerden minimumu çıkarıp aralığa bölersin. Standardization (z-score) ise ortalamayı 0, standart sapmayı 1 yapacak şekilde dönüştürür. Hangisini seçeceğin veriye ve modele bağlıdır. Kritik bir kural: ölçekleme parametrelerini (min, max, ortalama, sapma) sadece training set'ten hesaplarsın, sonra aynı parametreleri validation ve test set'e uygularsın. Yoksa test verisinden bilgi sızar.
Neden önemli?
Mesafeye dayalı algoritmalar — k-nearest neighbors, k-means, SVM — ve gradient descent ile eğitilen modeller ölçeğe çok duyarlıdır. Ölçeklenmemiş veride gradient descent zikzak çizerek yavaş yakınsar; ölçekleme bu yolu düzleştirip eğitimi hızlandırır. Öte yandan decision tree ve random forest gibi ağaç tabanlı modeller ölçeğe kayıtsızdır, onlarda şart değildir.
Kullanım alanları
Feature scaling, veri ön işlemenin (data preprocessing) standart adımlarından biridir. Görüntülerde piksel değerlerini 0–1 aralığına indirmek, tablo verisinde sayısal sütunları standartlaştırmak, sinir ağlarına girmeden önce input'ları normalize etmek hep bu başlık altındadır. Pipeline kurarken ölçekleyiciyi training'e fit edip tüm kümelere transform etmek iyi pratiktir.
Ilgili terimler
