Инструменты для Machine Learning онлайн

Продвинутый инструмент обработки границ, который определяет и обрабатывает минимальные и максимальные значения в числовых данных. Идеально подходит для валидации данных, проверки диапазонов, статистического анализа и предварительной обработки данных.

Нормализация числовых данных с использованием масштабирования Min-Max для преобразования значений в диапазон 0-1. Идеально для предварительной обработки машинного обучения, анализа данных и масштабирования признаков. Возможности: - Масштабирование Min-Max (нормализация 0-1) - Поддержка пользовательского диапазона (например, от -1 до 1) - Выбор нескольких столбцов - Автоматическое обнаружение типов данных - Обработка пропущенных значений - Сохранение нечисловых столбцов - Включает статистическую сводку Общие случаи использования: - Подготовка признаков для машинного обучения - Нормализация входных данных нейронных сетей - Предварительная обработка для визуализации данных - Сравнительный анализ в разных масштабах

Продвинутый инструмент обнаружения и обработки выбросов, который идентифицирует, удаляет или заменяет аномальные значения в числовых данных с использованием множества статистических методов. Идеально подходит для очистки данных, статистического анализа и подготовки данных для машинного обучения. Возможности: - Множественные методы обнаружения (IQR, Z-оценка, модифицированная Z-оценка, Isolation Forest) - Гибкие стратегии обработки (Удалить, Заменить средним/медианой/модой, Ограничить) - Автоматическая оптимизация порогов - Многомерное обнаружение выбросов - Визуальная статистика и отчеты выбросов - Возможности пакетной обработки - Настраиваемые уровни чувствительности - Всесторонний анализ воздействия Общие случаи использования: - Очистка и предварительная обработка данных - Подготовка к статистическому анализу - Очистка наборов данных для машинного обучения - Контроль качества в производстве - Обнаружение финансовых аномалий - Валидация данных сенсоров

Ограничение числовых значений указанными диапазонами путем обрезки, фильтрации или маркировки значений вне диапазона. Идеально для контроля качества данных, очистки данных сенсоров, применения бизнес-правил и предварительной обработки данных. Возможности: - Обрезка диапазона (обрезает значения до минимальных/максимальных границ) - Фильтрация диапазона (удаляет строки вне пределов) - Маркировка диапазона (маркирует измененные значения) - Конфигурация диапазона по столбцам - Автоматическое обнаружение числовых столбцов - Множественные стратегии обработки - Подробный отчет об изменениях - Статистический анализ изменений - Применение бизнес-правил Общие случаи использования: - Валидация и очистка данных сенсоров - Подготовка входных данных для машинного обучения - Контроль и валидация качества данных - Применение бизнес-ограничений - Управление и контроль аномальных значений - Конвейеры предварительной обработки данных

Стандартизация числовых данных с использованием Z-Score (стандартная оценка) для преобразования значений со средним=0 и стандартным отклонением=1. Идеально для статистического анализа, предварительной обработки машинного обучения, обнаружения аномалий и сравнения данных в разных масштабах. Возможности: - Нормализация Z-Score (среднее=0, стандартное отклонение=1) - Опция устойчивого Z-Score (используя медиану и MAD) - Пользовательское масштабирование до целевого диапазона - Выбор нескольких столбцов - Автоматическое обнаружение типов данных - Интеллектуальная обработка пропущенных значений - Сохранение нечисловых столбцов - Комплексная статистическая сводка - Обнаружение и отчетность аномалий Общие случаи использования: - Подготовка признаков для машинного обучения - Статистическая проверка гипотез - Обнаружение и удаление аномалий - Сравнение данных в разных единицах - Предварительная обработка для анализа главных компонентов (PCA)

Выявляет дисбаланс классов в CSV или JSON, сравнивает стратегии ресемплинга и показывает сбалансированный набор

Удаление дублирующихся колонок из CSV данных с гибкими стратегиями обнаружения. Идеально для очистки наборов данных, удаления избыточной информации и оптимизации структуры данных.

Масштабировать и нормализовать признаки используя различные методы для предварительной обработки машинного обучения и стандартизации данных

Удалить заголовки из данных CSV для создания чистых файлов без заголовков. Идеально для импорта баз данных, конвейеров обработки данных.