# Escalonador de Features Escalar e normalizar features usando vários métodos para pré-processamento de aprendizado de máquina e padronização de dados > Página canônica: https://elysiatools.com/pt/tools/feature-scaler - **Categoria:** Data Processing - **Palavras-chave:** escalonamento de features, normalização, padronização, min-max, z-score, escalonamento robusto, aprendizado de máquina, pré-processamento de dados, normalização ## Visão geral O Escalonador de Features é uma ferramenta essencial para o pré-processamento de dados, permitindo normalizar e padronizar variáveis numéricas para modelos de aprendizado de máquina. Com suporte a diversos métodos estatísticos, ele garante que seus dados estejam na escala correta para melhorar a precisão e a convergência de algoritmos preditivos. ## Entradas - **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 - **Método de Escalonamento** (select) - **Colunas para Escalonar (opcional)** (text): Especifique quais colunas escalonar. Se vazio, todas as colunas numéricas serão detectadas e escalonadas automaticamente. - **Parâmetros de Escalonamento (para transformação inversa)** (textarea): Apenas necessário para transformação inversa. Cole os parâmetros de escalonamento de uma execução anterior. - **Primeira Linha Contém Cabeçalhos** (checkbox): Tratar primeira linha como cabeçalhos de coluna - **Transformação Inversa** (checkbox): Aplicar transformação inversa usando parâmetros fornecidos - **Formato de Saída** (select) - **Salvar Parâmetros de Escalonamento** (checkbox): Incluir parâmetros de escalonamento na saída para futuras transformações inversas - **Apenas Dados Escalonados** (checkbox): Ignorar análise detalhada e gerar apenas os dados escalonados ## Quando usar - Preparar datasets para algoritmos sensíveis à escala, como KNN, SVM ou Redes Neurais. - Padronizar variáveis com unidades de medida distintas para evitar que valores grandes dominem o modelo. - Remover o viés de outliers em conjuntos de dados através de métodos de escalonamento robustos. ## Como funciona - Cole seus dados no formato CSV na área de entrada e selecione o método de escalonamento desejado. - Especifique as colunas que deseja processar ou deixe em branco para que o sistema detecte automaticamente as colunas numéricas. - Escolha o formato de saída (CSV ou JSON) e, se necessário, salve os parâmetros para realizar transformações inversas posteriormente. - Clique em processar para obter seus dados normalizados prontos para uso em seus projetos de ciência de dados. ## Casos de uso - Normalização de dados financeiros para modelos de previsão de séries temporais. - Padronização de atributos de sensores IoT para detecção de anomalias. - Preparação de datasets de marketing para segmentação de clientes via clustering. ## Perguntas frequentes ### Qual método de escalonamento devo escolher? O Z-score é ideal para dados com distribuição normal, enquanto o Min-Max é melhor quando você precisa de um intervalo fixo, como [0, 1]. ### O que é a transformação inversa? É o processo de converter os dados escalonados de volta para a escala original, utilizando os parâmetros salvos durante a primeira execução. ### Posso processar apenas colunas específicas? Sim, você pode listar os nomes das colunas desejadas separadas por vírgula no campo de configuração de colunas. ### Como o escalonamento robusto lida com outliers? Ele utiliza a mediana e o intervalo interquartil (MAD) em vez da média e desvio padrão, tornando-o menos sensível a valores extremos. ### O que acontece se eu não selecionar colunas? A ferramenta detectará automaticamente todas as colunas que contêm valores numéricos e aplicará o escalonamento nelas. ## Ferramentas relacionadas - [Calculadora de Colunas](https://elysiatools.com/pt/tools/column-calculator): Realizar cálculos em colunas e adicionar novas linhas - [Mesclador de Dados por Adição](https://elysiatools.com/pt/tools/data-append-merger): Adicionar e mesclar verticalmente múltiplas tabelas de dados com correspondência inteligente de colunas - [Extrator de Colunas de Dados](https://elysiatools.com/pt/tools/data-column-extractor): Extrai colunas específicas de dados tabulares com suporte para vários formatos e seleção flexível de colunas - [Calculadora de Linhas](https://elysiatools.com/pt/tools/row-calculator): Realizar cálculos em cada linha e adicionar novas colunas - [Organizador de Colunas](https://elysiatools.com/pt/tools/column-reorder): Reorganizar as colunas da tabela sem alterar as linhas de dados - [Calculadora de Coeficiente de Variação](https://elysiatools.com/pt/tools/coefficient-of-variation): Calcular o coeficiente de variação (CV) para colunas numéricas para medir a variabilidade relativa - [Removedor de Colunas](https://elysiatools.com/pt/tools/column-remover): Remover colunas especificadas dos dados da tabela - [Validador CSV](https://elysiatools.com/pt/tools/csv-validator): Valida a estrutura CSV, detecta linhas malformadas, aspas desbalanceadas e colunas inconsistentes ## Exemplos - [Exemplos CSV](https://elysiatools.com/pt/samples/csv-samples): Arquivos CSV de exemplo com vários tipos de dados, tamanhos e níveis de complexidade - [Exemplos Python](https://elysiatools.com/pt/samples/python): Exemplos de código Python e demonstrações Hello World - [Processamento de Strings Windows - Exemplos C#](https://elysiatools.com/pt/samples/windows-string-processing-csharp): Exemplos abrangentes de processamento de strings C# para plataforma Windows incluindo manipulação, divisão, junção, expressões regulares e análise de texto - [Exemplos Apache Spark](https://elysiatools.com/pt/samples/apache-spark): Framework de processamento de big data Apache Spark com exemplos de PySpark, DataFrames, SQL e operações de machine learning