Il dimensionamento delle funzionalità è un metodo utilizzato nell'apprendimento automatico per la pre-elaborazione dei dati. Questo metodo viene utilizzato per normalizzare l'intervallo di variabili indipendenti nei dati, o caratteristiche, in modo che i dati abbiano le proprietà di una distribuzione normale standard con una media pari a 0 e una deviazione standard pari a 1. È noto anche come riduzione dei dati o normalizzazione dei dati.
Il ridimensionamento delle caratteristiche viene generalmente eseguito dopo la normalizzazione media ed è il processo di divisione di ciascuna caratteristica (una colonna nella matrice dei dati) nel set di dati per una determinata costante. Viene utilizzato per evitare potenziali problemi numerici del modello riducendo al minimo i valori numerici di ciascuna variabile entro un intervallo ragionevole. Questa tecnica può essere applicata per accelerare il tasso di convergenza per algoritmi computazionalmente costosi.
I due tipi principali di ridimensionamento delle funzionalità utilizzati nel machine learning sono:
* Standardizzazione: questa tecnica scala i valori in modo tale da seguire una distribuzione gaussiana (nota anche come curva a campana) con una media di 0 e una deviazione standard di 1. Viene utilizzata negli algoritmi che richiedono l'inversione dei dati, come la distanza inversa- interpolazione pesata e metodi di apprendimento basati sul kernel.
* Normalizzazione: questa tecnica modifica i valori delle colonne numeriche nel set di dati in una scala comune, solitamente da 0 a 1. Questo a volte viene definito ridimensionamento min-max, poiché porta anche tutti i valori nel set di funzionalità in un intervallo specifico ( solitamente da 0 a 1). Questa tecnica viene spesso utilizzata nelle reti neurali per un addestramento efficiente.
Oltre a questi due tipi principali di ridimensionamento delle funzionalità, per determinati algoritmi di machine learning vengono utilizzati alcuni metodi di pre-elaborazione standard. Ad esempio, la normalizzazione dei dati logaritmici per gli algoritmi dell'albero decisionale viene comunemente utilizzata per migliorare la precisione. Allo stesso modo, il ridimensionamento e la centratura dei dati per le reti neurali vengono eseguiti per evitare eventuali problemi numerici che potrebbero verificarsi.
Il dimensionamento delle funzionalità è una fase di pre-elaborazione essenziale per molti algoritmi di machine learning. La mancata esecuzione di questo passaggio può portare a risultati imprecisi a causa di irregolarità nei dati. Aiuta inoltre a migliorare l'accuratezza del modello rendendo il set di dati più omogeneo e facile da elaborare.
