# Масштабировщик Признаков Масштабировать и нормализовать признаки используя различные методы для предварительной обработки машинного обучения и стандартизации данных > Каноническая страница: https://elysiatools.com/ru/tools/feature-scaler - **Категория:** Data Processing - **Ключевые слова:** масштабирование признаков, нормализация, стандартизация, min-max, z-score, робастное масштабирование, машинное обучение, предварительная обработка данных, нормализация ## Обзор Масштабировщик Признаков — это онлайн-инструмент для нормализации и стандартизации числовых данных с помощью различных методов, таких как Z-score, Min-Max и робастное масштабирование. Он предназначен для подготовки данных к машинному обучению, обеспечивая корректную работу алгоритмов и улучшая их производительность. ## Входные данные - **Ввод Данных CSV** (textarea): Введите ваши данные CSV здесь... Пример: Признак1,Признак2,Признак3,Метка 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 - **Метод Масштабирования** (select) - **Колонки для Масштабирования (опционально)** (text): Укажите какие колонки масштабировать. Если пусто, все числовые колонки будут автоматически обнаружены и масштабированы. - **Параметры Масштабирования (для обратного преобразования)** (textarea): Только требуется для обратного преобразования. Вставьте параметры масштабирования из предыдущего запуска. - **Первая Строка Содержит Заголовки** (checkbox): Обрабатывать первую строку как заголовки колонок - **Обратное Преобразование** (checkbox): Применить обратное преобразование используя предоставленные параметры - **Формат Вывода** (select) - **Сохранить Параметры Масштабирования** (checkbox): Включить параметры масштабирования в вывод для будущих обратных преобразований - **Только Масштабированные Данные** (checkbox): Пропустить детальный анализ и выводить только масштабированные данные ## Когда использовать - Когда признаки в наборе данных имеют разные единицы измерения или диапазоны значений, например, возраст от 0 до 100 и доход от 1000 до 100000. - Перед обучением моделей машинного обучения, чувствительных к масштабу данных, таких как метод опорных векторов (SVM), k-ближайших соседей или нейронные сети. - Для улучшения сходимости градиентного спуска и повышения точности предсказаний в задачах регрессии или классификации. ## Как это работает - Вставьте данные в формате CSV в текстовое поле или загрузите их, убедившись, что первая строка содержит заголовки (если применимо). - Выберите метод масштабирования из списка: стандартный (Z-score), минимаксный, робастный, максимальный абсолютный, квантильный, единичных векторов или степенное преобразование. - Укажите колонки для масштабирования через запятую или оставьте поле пустым для автоматического определения всех числовых колонок. - Настройте параметры вывода, такие как формат (CSV, JSON или текстовый отчет) и сохранение параметров для обратного преобразования, затем получите результат. ## Сценарии использования - Подготовка данных для обучения модели линейной регрессии, где признаки 'возраст' и 'доход' имеют разный масштаб, чтобы алгоритм корректно оценил их влияние. - Нормализация сенсорных данных в IoT-системах, например, температуры и влажности, для сравнения показателей с разных устройств в единой шкале. - Стандартизация финансовых показателей, таких как выручка и расходы, перед анализом рисков или кредитным скорингом для улучшения точности моделей. ## Частые вопросы ### Какие методы масштабирования доступны в инструменте? Доступны методы: стандартный (Z-score), минимаксный, робастный (медиана и MAD), максимальный абсолютный, квантильный, единичных векторов и степенное преобразование (Yeo-Johnson). ### Можно ли масштабировать только определенные колонки в данных? Да, в поле 'Колонки для Масштабирования' укажите имена колонок через запятую. Если оставить пустым, инструмент автоматически обнаружит и обработает все числовые колонки. ### Что такое обратное преобразование и когда его использовать? Обратное преобразование восстанавливает исходные данные из масштабированных значений, используя сохраненные параметры. Оно полезно для интерпретации результатов модели в исходных единицах. ### Как сохранить параметры масштабирования для повторного использования? Установите флажок 'Сохранить Параметры Масштабирования' перед запуском. Параметры будут включены в вывод в формате JSON, что позволяет применять обратное преобразование позже. ### Поддерживает ли инструмент данные без заголовков колонок? Да, снимите флажок 'Первая Строка Содержит Заголовки', если первая строка ваших данных содержит значения, а не названия колонок. ## Связанные инструменты - [Калькулятор Колонок](https://elysiatools.com/ru/tools/column-calculator): Выполнять вычисления в колонках и добавлять новые строки - [Объединитель Данных по Вертикали](https://elysiatools.com/ru/tools/data-append-merger): Вертикально добавлять и объединять несколько таблиц данных с интеллектуальным сопоставлением столбцов - [Извлекатель Столбцов Данных](https://elysiatools.com/ru/tools/data-column-extractor): Извлекает указанные столбцы из табличных данных с поддержкой различных форматов и гибкой выборки столбцов - [Калькулятор Строк](https://elysiatools.com/ru/tools/row-calculator): Выполнять вычисления в каждой строке и добавлять новые столбцы - [Перестановщик Колонок](https://elysiatools.com/ru/tools/column-reorder): Переставить колонки таблицы без изменения строк данных - [Калькулятор Коэффициента Вариации](https://elysiatools.com/ru/tools/coefficient-of-variation): Рассчитать коэффициент вариации (CV) для числовых столбцов для измерения относительной изменчивости - [Удалитель Колонок](https://elysiatools.com/ru/tools/column-remover): Удалить указанные колонки из данных таблицы - [Валидатор CSV](https://elysiatools.com/ru/tools/csv-validator): Проверяет структуру CSV, обнаруживает битые строки, несбалансированные кавычки и несовпадение колонок ## Примеры - [CSV Примеры](https://elysiatools.com/ru/samples/csv-samples): Примеры CSV-файлов с различными типами данных, размерами и уровнями сложности - [Примеры Python](https://elysiatools.com/ru/samples/python): Примеры кода Python и демонстрации Hello World - [Обработка Строк Windows - Примеры C#](https://elysiatools.com/ru/samples/windows-string-processing-csharp): Полные примеры обработки строк на C# для платформы Windows, включая манипуляцию, разделение, объединение, регулярные выражения и анализ текста - [Примеры Apache Spark](https://elysiatools.com/ru/samples/apache-spark): Фреймворк обработки больших данных Apache Spark с примерами PySpark, DataFrame, SQL и операциями машинного обучения