# Merkmals-Scaler Merkmale mit verschiedenen Methoden skalieren und normalisieren für maschinelles Lernen-Vorverarbeitung und Datenstandardisierung > Kanonische Seite: https://elysiatools.com/de/tools/feature-scaler - **Kategorie:** Data Processing - **Schlagwörter:** merkmalskalierung, normalisierung, standardisierung, min-max, z-score, robuste skalierung, maschinelles lernen, datenvorverarbeitung, normalisierung ## Überblick Der Merkmals-Scaler ist ein Werkzeug zur Skalierung und Normalisierung numerischer Daten mit verschiedenen Methoden, das speziell für die Vorverarbeitung in maschinellen Lernprojekten und zur Datenstandardisierung entwickelt wurde. ## Eingaben - **CSV Data Input** (textarea): Enter your CSV data here... Example: Feature1,Feature2,Feature3,Label 1.5,2.3,0.8,A 3.2,1.1,2.5,B 0.8,4.5,1.2,C 2.1,3.4,1.8,A 4.5,1.9,0.7,B - **Skalierungsmethode** (select) - **Zu skalierende Spalten (optional)** (text): Geben Sie an, welche Spalten skaliert werden sollen. Wenn leer, werden alle numerischen Spalten automatisch erkannt und skaliert. - **Skalierungsparameter (für inverse Transformation)** (textarea): Nur für inverse Transformation erforderlich. Fügen Sie die Skalierungsparameter aus einem vorherigen Lauf ein. - **Erste Zeile Enthält Kopfzeilen** (checkbox): Erste Zeile als Spaltenköpfe behandeln - **Inverse Transformation** (checkbox): Inverse Transformation mit bereitgestellten Parametern anwenden - **Ausgabeformat** (select) - **Skalierungsparameter Speichern** (checkbox): Skalierungsparameter in der Ausgabe für zukünftige inverse Transformationen einschließen - **Nur Skalierte Daten Ausgeben** (checkbox): Detaillierte Analyse überspringen und nur skalierte Daten ausgeben ## Wann verwenden - Wenn numerische Merkmale für maschinelle Lernalgorithmen vorbereitet werden müssen, um die Modellleistung zu verbessern. - Zur Standardisierung von Daten mit unterschiedlichen Skalen und Einheiten für konsistente Analysen. - Bei der inversen Transformation von skalierten Daten zurück in den ursprünglichen Maßstab nach der Modellierung. ## Funktionsweise - Geben Sie Ihre CSV-Daten in das Textfeld ein oder laden Sie eine Datei hoch, wobei die erste Zeile optional als Kopfzeile behandelt werden kann. - Wählen Sie eine Skalierungsmethode aus, wie Standard-Scaler (Z-score), Min-Max-Scaler oder Robuster Scaler, basierend auf Ihren Datenanforderungen. - Geben Sie optional die zu skalierenden Spalten durch Kommas getrennt an oder lassen Sie alle numerischen Spalten automatisch erkennen. - Konfigurieren Sie weitere Optionen wie das Ausgabeformat (CSV, JSON oder Textbericht) und ob Skalierungsparameter für inverse Transformationen gespeichert werden sollen. ## Anwendungsfälle - Vorbereitung von Datensätzen für neuronale Netzwerke oder andere ML-Modelle, um die Konvergenz und Genauigkeit zu erhöhen. - Normalisierung von Sensordaten in IoT-Anwendungen, um Messwerte unterschiedlicher Geräte vergleichbar zu machen. - Standardisierung von Finanz- oder Verkaufsdaten für Berichte und Dashboards, um Trends besser zu erkennen. ## Häufig gestellte Fragen ### Welche Skalierungsmethoden unterstützt das Tool? Es unterstützt Standard-Scaler (Z-score), Min-Max-Scaler, Robuster Scaler, Max-Absolut-Scaler, Quantil-Scaler, Einheitsvektor-Scaler und Power-Transformation (Yeo-Johnson). ### Kann ich nur bestimmte Spalten skalieren? Ja, geben Sie die Spaltennamen durch Kommas getrennt im entsprechenden Feld an. Wenn leer, werden alle numerischen Spalten automatisch erkannt und skaliert. ### Wie funktioniert die inverse Transformation? Aktivieren Sie die Option 'Inverse Transformation' und fügen Sie die Skalierungsparameter aus einem vorherigen Lauf im JSON-Format ein, um skalierte Daten zurückzutransformieren. ### Welche Ausgabeformate sind verfügbar? Sie können die skalierten Daten im CSV-Format, JSON-Format oder als Textbericht zur direkten Anzeige ausgeben. ### Was bewirkt die Option 'Nur skalierte Daten ausgeben'? Wenn aktiviert, wird nur die skalierte CSV- oder JSON-Ausgabe ohne detaillierte Analyse erzeugt, was die Verarbeitung beschleunigt. ## Ähnliche Tools - [Spaltenrechner](https://elysiatools.com/de/tools/column-calculator): Berechnungen in Spalten durchführen und neue Zeilen hinzufügen - [Daten-Anhang-Zusammenfüher](https://elysiatools.com/de/tools/data-append-merger): Vertikal anhängen und mehrere Datentabellen mit intelligenter Spaltenabgleichung zusammenfügen - [Datenspalten-Extraktor](https://elysiatools.com/de/tools/data-column-extractor): Extrahiert bestimmte Spalten aus tabellarischen Daten mit Unterstützung für verschiedene Formate und flexible Spaltenauswahl - [Zeilen-Rechner](https://elysiatools.com/de/tools/row-calculator): Berechnungen für jede Zeile durchführen und neue Spalten hinzufügen - [Spalten-Umordner](https://elysiatools.com/de/tools/column-reorder): Spalten der Tabelle neu anordnen, ohne Datenzeilen zu ändern - [Variationskoeffizient-Rechner](https://elysiatools.com/de/tools/coefficient-of-variation): Variationskoeffizient (CV) für numerische Spalten berechnen, um die relative Variabilität zu messen - [Spalten-Entferner](https://elysiatools.com/de/tools/column-remover): Angegebene Spalten aus Tabellendaten entfernen - [CSV-Validator](https://elysiatools.com/de/tools/csv-validator): Validiert die CSV-Struktur, erkennt fehlerhafte Zeilen, unausgewogene Anführungszeichen und Spaltenabweichungen ## Beispiele - [CSV Beispiele](https://elysiatools.com/de/samples/csv-samples): CSV-Beispieldateien mit verschiedenen Datentypen, Größen und Komplexitätsstufen - [Python Beispiele](https://elysiatools.com/de/samples/python): Python Code-Beispiele und Hello World Demonstrationen - [Windows Zeichenkettenverarbeitung - C# Beispiele](https://elysiatools.com/de/samples/windows-string-processing-csharp): Umfassende C# Zeichenkettenverarbeitungsbeispiele für Windows-Plattform einschließlich Manipulation, Aufteilung, Verknüpfung, reguläre Ausdrücke und Textanalyse - [Apache Spark Beispiele](https://elysiatools.com/de/samples/apache-spark): Apache Spark Big-Data-Verarbeitungs-Framework mit PySpark-Beispielen, DataFrames, SQL und Machine-Learning-Operationen