Normalizasyon (Normalization)

Normalizasyon nedir?

Normalizasyon, farklı ölçeklerdeki sayısal özellikleri benzer bir aralığa çekme işlemidir. Bir veri setinde "yaş" 0–100 arası, "gelir" 0–1.000.000 arası değişiyorsa, model gelire fazla, yaşa az önem verir — çünkü sayılar büyük. Normalizasyon bu dengesizliği düzeltir.

Nasıl çalışır?

Birkaç yaygın yöntem var. Min-max ölçekleme değerleri 0 ile 1 arasına sıkıştırır. Z-score (standartlaştırma) her değeri ortalamadan çıkarıp standart sapmaya böler; sonuç ortalaması 0, sapması 1 olan bir dağılım. Çok geniş aralıklı veriler için log ölçekleme, aşırı uç değerler için kırpma (clipping) kullanılır. Hangisinin uygun olduğu verinin dağılımına bağlıdır.

Kritik kural: eğitim verisini nasıl normalize ettiysen, tahmin anında gelen yeni veriyi de aynı parametrelerle normalize etmen gerekir. Yoksa model eğitildiği dünyadan farklı bir ölçekte veri görür ve şaşırır.

Neden önemli?

Normalizasyon iki işe yarar. Birincisi, model her özelliğe adil ağırlık verir. İkincisi, eğitim daha hızlı yakınsar (converge) — özellikler farklı ölçeklerdeyse gradient descent zikzak çizerek yavaşlar. Ayrıca çok büyük sayıların yol açtığı taşma/NaN hatalarını önler.

Kullanım alanları

Neredeyse her makine öğrenmesi projesinde veri ön işleme adımında. Özellikle mesafeye dayalı yöntemler (KNN, K-means), sinir ağları ve gradient descent kullanan her modelde normalizasyon standart bir adımdır. Görüntü işlemede piksel değerlerini 0–1 aralığına çekmek de bir normalizasyondur.