Escalonador de Features

Escalar e normalizar features usando vários métodos para pré-processamento de aprendizado de máquina e padronização de dados

Especifique quais colunas escalonar. Se vazio, todas as colunas numéricas serão detectadas e escalonadas automaticamente.

Apenas necessário para transformação inversa. Cole os parâmetros de escalonamento de uma execução anterior.

Tratar primeira linha como cabeçalhos de coluna

Aplicar transformação inversa usando parâmetros fornecidos

Incluir parâmetros de escalonamento na saída para futuras transformações inversas

Ignorar análise detalhada e gerar apenas os dados escalonados

Fatos principais

Categoria
Dados e tabelas
Tipos de entrada
textarea, select, text, checkbox
Tipo de saída
text
Cobertura de amostras
4
API disponível
Yes

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.

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.

Exemplos

1. Padronização de Dados de Sensores

Cientista de Dados
Contexto
Um conjunto de dados de sensores contém leituras de temperatura e pressão com escalas muito diferentes.
Problema
O modelo de aprendizado de máquina está dando peso excessivo à pressão devido aos valores numéricos maiores.
Como usar
Carregar o CSV, selecionar 'Escalonador Padrão (Z-score)' e processar.
Configuração de exemplo
scalingMethod: standard, hasHeader: true
Resultado
Todas as features foram centralizadas com média 0 e desvio padrão 1, permitindo que o modelo aprenda padrões de forma equilibrada.

2. Normalização Min-Max para Imagens

Engenheiro de ML
Contexto
Pixels de uma imagem precisam ser normalizados para o intervalo [0, 1] antes de entrar na rede neural.
Problema
Os valores de pixel variam de 0 a 255, o que causa instabilidade no treinamento.
Como usar
Inserir os dados de pixel, selecionar 'Escalonador Min-Max' e exportar em formato JSON.
Configuração de exemplo
scalingMethod: minmax, outputFormat: json
Resultado
Dados convertidos com sucesso para o intervalo [0, 1], prontos para a camada de entrada da rede neural.

Testar com amostras

csv, hash
Exemplos de Substituição de Regex
Coleção de padrões de substituição de regex comuns e úteis para transformação de texto e limpeza de dados
preferred input family csv
csv
Exemplos de Linhas Duplicadas
Arquivos de exemplo com vários tipos de linhas duplicadas para testar ferramentas de remoção de duplicatas
preferred input family csv
csv
Processamento de Strings Windows - Exemplos C#
Exemplos abrangentes de processamento de strings C# para plataforma Windows incluindo manipulação, divisão, junção, expressões regulares e análise de texto
preferred input family csv
csv
Exemplos CSV
Arquivos CSV de exemplo com vários tipos de dados, tamanhos e níveis de complexidade
preferred input family csv
csv

Hubs relacionados

Ferramentas de exportacao CSV e conversao de tabelas
Compare conversoes entre CSV e Excel, JSON, HTML, Markdown, XML e texto em um unico hub para fluxos de intercambio tabular.
Ferramentas de limpeza e reorganizacao de CSV
Reune em um so hub ferramentas para limpar CSV, filtrar, ordenar, agrupar, juntar, dividir e reorganizar tabelas para fluxos de planilha e importacao/exportacao.

FAQ

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.

Documentação da API

Ponto final da solicitação

POST /pt/api/tools/feature-scaler

Parâmetros da solicitação

Nome do parâmetro Tipo Requerido Descrição
csvData textarea Sim -
scalingMethod select Sim -
selectedColumns text Não Especifique quais colunas escalonar. Se vazio, todas as colunas numéricas serão detectadas e escalonadas automaticamente.
scalingParams textarea Não Apenas necessário para transformação inversa. Cole os parâmetros de escalonamento de uma execução anterior.
hasHeader checkbox Não Tratar primeira linha como cabeçalhos de coluna
inverseTransform checkbox Não Aplicar transformação inversa usando parâmetros fornecidos
outputFormat select Sim -
saveParams checkbox Não Incluir parâmetros de escalonamento na saída para futuras transformações inversas
scaledOnly checkbox Não Ignorar análise detalhada e gerar apenas os dados escalonados

Formato de resposta

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

Documentação de MCP

Adicione este ferramenta à sua configuração de servidor MCP: 

{
  "mcpServers": {
    "elysiatools-feature-scaler": {
      "name": "feature-scaler",
      "description": "Escalar e normalizar features usando vários métodos para pré-processamento de aprendizado de máquina e padronização de dados",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=feature-scaler",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Você pode encadear várias ferramentas, ex: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, máx 20 ferramentas.

Se você encontrar algum problema, por favor, entre em contato conosco em [email protected]