Merkmals-Scaler | Kostenloses Online-Tool | Elysia Tools

Leitfaden zur Tool-Nutzung

Erfahren Sie, wann dieses Tool passt, was es unterstützt und wie Nutzer es anwenden.

Wichtige Fakten

Kategorie: Data Processing
Eingabetypen: textarea, select, text, checkbox
Ausgabetyp: text
Sample-Abdeckung: 4
API bereit: Ja

Überblick

Der Merkmals-Scaler ermöglicht die Skalierung und Normalisierung numerischer Datensätze für Machine-Learning-Pipelines und statistische Analysen. Mit Methoden wie Z-Score-Standardisierung, Min-Max-, Robust- oder Yeo-Johnson-Power-Transformation vereinheitlichen Sie Wertebereiche präzise und exportieren wahlweise die transformierten Daten oder Skalierungsparameter für inverse Transformationen.

Wann verwenden

Vor dem Training von Machine-Learning-Modellen wie SVMs, KNN oder neuronalen Netzen, die empfindlich auf unterschiedliche Merkmalsbereiche reagieren.
Zur Normalisierung von Messwerten mit extremen Ausreißern unter Verwendung robuster Skalierungsmethoden (Median & MAD).
Zur Rücktransformation bereits skalierter Modellvorhersagen in den ursprünglichen Wertebereich mittels gespeicherter Transformationsparameter.

So funktioniert es

1Fügen Sie Ihre tabellarischen Daten im CSV-Format in das Eingabefeld ein und legen Sie fest, ob die erste Zeile Spaltennamen enthält.
2Wählen Sie die gewünschte Skalierungsmethode (z. B. Standard-Scaler, Min-Max, Robuster Scaler oder Power-Transformation) und geben Sie optional spezifische Spaltennamen an.
3Aktivieren Sie bei Bedarf die inverse Transformation mit vorhandenen Parametern oder wählen Sie das Ausgabeformat (CSV, JSON oder Textbericht), um das Ergebnis zu generieren.

Anwendungsfälle

Standardisierung von Sensordaten mit unterschiedlichen physikalischen Einheiten vor einer Clusteranalyse.
Skalierung von Bild- oder Audiodaten-Features in den Wertebereich [0, 1] für Deep-Learning-Klassifikatoren.
Vorbereitung schiefverteilter Finanzkennzahlen mittels Power-Transformation zur Erreichung einer annähernden Normalverteilung.

Beispiele

1. Min-Max-Skalierung für Kunden-Kaufverhaltensdaten

Data Scientist

Hintergrund

Ein Datensatz enthält Kundendaten mit den Merkmalen Alter (18–70) und Jahresumsatz (500–250.000 €).

Aufgabe

Wegen der drastisch höheren Werte des Umsatzes dominiert dieses Merkmal distanzbasierte Clustering-Algorithmen wie k-Means.

Verwendung

Fügen Sie die Kundendaten im CSV-Feld ein, wählen Sie als Methode 'Min-Max-Scaler', lassen Sie 'Erste Zeile Enthält Kopfzeilen' aktiviert und wählen Sie CSV als Ausgabeformat.

scalingMethod: minmax, hasHeader: true, outputFormat: csv, saveParams: true

Ergebnis

Sowohl Alter als auch Jahresumsatz liegen gleichmäßig im Wertebereich von 0 bis 1, bereit für das Clustering.

2. Robuste Skalierung von IoT-Temperatursensoren mit Ausreißern

IoT-Entwickler

Hintergrund

Temperaturmessungen enthalten gelegentliche fehlerhafte Messspitzen durch Sensorstörungen.

Aufgabe

Standard-Z-Score-Skalierungen werden durch die extremen Messspitzen bei Mittelwert- und Varianzberechnungen verzerrt.

Verwendung

FAQ

Welche Skalierungsmethoden stehen zur Verfügung?

Zur Auswahl stehen Standard-Scaler (Z-Score), Min-Max-Scaler, Robuster Scaler (Median & MAD), Max-Absolut-Scaler, Quantil-Scaler, Einheitsvektor-Scaler und die Yeo-Johnson-Power-Transformation.

Werden nicht-numerische Spalten wie IDs oder Kategorien automatisch ignoriert?

Ja, wenn keine spezifischen Spalten definiert sind, erkennt das Tool automatisch alle numerischen Spalten und belässt textbasierte Spalten unverändert.

Wie funktioniert die inverse Transformation?

Aktivieren Sie die Option 'Inverse Transformation' und fügen Sie die Skalierungsparameter im JSON-Format ein, die beim vorherigen Skalierungslauf erzeugt wurden.

Welche Methode eignet sich am besten für Datensätze mit starken Ausreißern?

Der Robuste Scaler eignet sich am besten, da er Median und Median-Absolute-Deviation (MAD) anstelle von Mittelwert und Standardabweichung verwendet.

In welchen Formaten können die skalierten Daten exportiert werden?

Die Daten können als CSV-Tabelle, im JSON-Format oder als strukturierter Textanalysebericht ausgegeben werden.

scalingMethod: robust, selectedColumns: temperature, outputFormat: json

Merkmals-Scaler

Dieses Tool ausführen

Beispiele zu diesem Tool

Mit verwandten Tools und Themen fortfahren

Erfahren Sie, wann dieses Tool passt, was es unterstützt und wie Nutzer es anwenden.

Wichtige Fakten

Überblick

Wann verwenden

So funktioniert es

Anwendungsfälle

Beispiele

1. Min-Max-Skalierung für Kunden-Kaufverhaltensdaten

2. Robuste Skalierung von IoT-Temperatursensoren mit Ausreißern

FAQ

CSV Beispiele

Python Beispiele

Windows Zeichenkettenverarbeitung - C# Beispiele

Apache Spark Beispiele

Spaltenrechner

Daten-Anhang-Zusammenfüher

Datenspalten-Extraktor

Zeilen-Rechner