Merkmals-Scaler

Merkmale mit verschiedenen Methoden skalieren und normalisieren für maschinelles Lernen-Vorverarbeitung und Datenstandardisierung

Geben Sie an, welche Spalten skaliert werden sollen. Wenn leer, werden alle numerischen Spalten automatisch erkannt und skaliert.

Nur für inverse Transformation erforderlich. Fügen Sie die Skalierungsparameter aus einem vorherigen Lauf ein.

Erste Zeile als Spaltenköpfe behandeln

Inverse Transformation mit bereitgestellten Parametern anwenden

Skalierungsparameter in der Ausgabe für zukünftige inverse Transformationen einschließen

Detaillierte Analyse überspringen und nur skalierte Daten ausgeben

Wichtige Fakten

Kategorie
Daten & Tabellen
Eingabetypen
textarea, select, text, checkbox
Ausgabetyp
text
Sample-Abdeckung
4
API verfügbar
Yes

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.

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.

So funktioniert es

  • •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.

Beispiele

1. Skalierung von Verkaufsdaten für maschinelles Lernen

Hintergrund
Ein Data Scientist arbeitet mit einem CSV-Datensatz, der Verkaufsmerkmale wie Umsatz, Transaktionsanzahl und Kundenzufriedenheit enthält.
Problem
Die Merkmale haben unterschiedliche Wertebereiche, was die Leistung eines Vorhersagemodells beeinträchtigt.
Verwendung
Laden Sie die CSV-Datei hoch, wählen Sie 'Standard-Scaler (Z-score)' als Methode und lassen Sie alle numerischen Spalten automatisch skalieren.
Ergebnis
Die Daten werden standardisiert (Mittelwert 0, Standardabweichung 1), was die Modelltrainingseffizienz verbessert.

2. Inverse Transformation von normalisierten Vorhersagen

Hintergrund
Ein Analyst hat zuvor Daten mit Min-Max-Scaler skaliert und ein ML-Modell trainiert, das skalierte Vorhersagen liefert.
Problem
Die Vorhersagen müssen in den ursprünglichen Wertebereich zurücktransformiert werden, um interpretierbar zu sein.
Verwendung
Aktivieren Sie 'Inverse Transformation', fügen Sie die gespeicherten Skalierungsparameter aus dem vorherigen Lauf ein und wählen Sie CSV als Ausgabeformat.
Ergebnis
Die Vorhersagen werden erfolgreich in den ursprünglichen Maßstab umgerechnet, ohne manuelle Berechnungen.

Mit Samples testen

csv, hash
Regex-Ersetzungsbeispiele
Sammlung häufiger und nützlicher Regex-Ersetzungsmuster für Texttransformation und Datenbereinigung
preferred input family csv
csv
Beispiele für Doppelte Zeilen
Beispieldateien mit verschiedenen Arten doppelter Zeilen zum Testen von Tools zum Entfernen von Duplikaten
preferred input family csv
csv
Windows Zeichenkettenverarbeitung - C# Beispiele
Umfassende C# Zeichenkettenverarbeitungsbeispiele für Windows-Plattform einschließlich Manipulation, Aufteilung, Verknüpfung, reguläre Ausdrücke und Textanalyse
preferred input family csv
csv
CSV Beispiele
CSV-Beispieldateien mit verschiedenen Datentypen, Größen und Komplexitätsstufen
preferred input family csv
csv

Verwandte Hubs

Tools fur CSV-Export und Tabellenkonvertierung
Vergleiche CSV-Umwandlungen zu und von Excel, JSON, HTML, Markdown, XML und Text in einem Hub fur tabellarische Austausch-Workflows.
Werkzeuge fur CSV-Bereinigung und Tabellenumformung
Bunde CSV-Bereinigung, Filtern, Sortieren, Gruppieren, Zusammenfuhren, Aufteilen und Tabellenumformung in einem Hub fur Tabellen- sowie Import/Export-Workflows.

FAQ

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.

API-Dokumentation

Request-Endpunkt

POST /de/api/tools/feature-scaler

Request-Parameter

Parameter-Name Typ Erforderlich Beschreibung
csvData textarea Ja -
scalingMethod select Ja -
selectedColumns text Nein Geben Sie an, welche Spalten skaliert werden sollen. Wenn leer, werden alle numerischen Spalten automatisch erkannt und skaliert.
scalingParams textarea Nein Nur für inverse Transformation erforderlich. Fügen Sie die Skalierungsparameter aus einem vorherigen Lauf ein.
hasHeader checkbox Nein Erste Zeile als Spaltenköpfe behandeln
inverseTransform checkbox Nein Inverse Transformation mit bereitgestellten Parametern anwenden
outputFormat select Ja -
saveParams checkbox Nein Skalierungsparameter in der Ausgabe für zukünftige inverse Transformationen einschließen
scaledOnly checkbox Nein Detaillierte Analyse überspringen und nur skalierte Daten ausgeben

Antwortformat

{
  "result": "Processed text content",
  "error": "Error message (optional)",
  "message": "Notification message (optional)",
  "metadata": {
    "key": "value"
  }
}
Text: Text

MCP-Dokumentation

Fügen Sie dieses Tool zu Ihrer MCP-Server-Konfiguration hinzu: 

{
  "mcpServers": {
    "elysiatools-feature-scaler": {
      "name": "feature-scaler",
      "description": "Merkmale mit verschiedenen Methoden skalieren und normalisieren für maschinelles Lernen-Vorverarbeitung und Datenstandardisierung",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=feature-scaler",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Sie können mehrere Tools verketten, z.B.: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, maximal 20 Tools.

Wenn Sie auf Probleme stoßen, kontaktieren Sie uns bitte bei [email protected]