Категории

Нормализатор Z-Score

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)

Optional: Scale standardized values to target range. Leave empty for standard z-score output.

Values beyond this many standard deviations will be flagged as outliers

Ключевые факты

Категория
Data Processing
Типы входных данных
textarea, select, text, checkbox, number
Тип результата
text
Покрытие примерами
4
API доступен
Yes

Обзор

Нормализатор Z-Score — это профессиональный инструмент для стандартизации числовых данных, который преобразует значения к среднему значению 0 и стандартному отклонению 1. Это необходимо для корректного сравнения показателей в разных масштабах, подготовки признаков для моделей машинного обучения и эффективного обнаружения статистических аномалий.

Когда использовать

  • При подготовке данных для алгоритмов машинного обучения, чувствительных к масштабу признаков.
  • Когда необходимо сравнить показатели, измеренные в разных единицах измерения или имеющие разный диапазон значений.
  • Для выявления выбросов и аномальных значений в больших наборах данных с помощью статистических порогов.

Как это работает

  • Загрузите ваш CSV-файл или вставьте данные в текстовое поле.
  • Выберите тип стандартизации (стандартный Z-Score или устойчивый метод с использованием медианы).
  • Настройте параметры обработки пропущенных значений и укажите целевые столбцы для преобразования.
  • Запустите процесс и получите нормализованный набор данных с сопутствующей статистической сводкой.

Сценарии использования

Подготовка признаков для обучения нейронных сетей и моделей регрессии.
Статистический анализ и проверка гипотез на данных с разной размерностью.
Автоматизированный поиск аномалий в финансовых или производственных отчетах.

Примеры

1. Подготовка данных для ML-модели

Data Scientist
Контекст
Необходимо обучить модель прогнозирования цен на недвижимость, где площадь измеряется в сотнях метров, а количество комнат — единицами.
Проблема
Разный масштаб признаков приводит к медленной сходимости модели и искажению весов.
Как использовать
Загрузить CSV, выбрать столбцы 'площадь' и 'комнаты', применить стандартный Z-Score.
Пример конфигурации
standardizationType: zscore, targetColumns: площадь, комнаты
Результат
Все признаки приведены к единому масштабу (среднее=0, ст.откл=1), что ускоряет обучение модели.

2. Выявление аномальных транзакций

Финансовый аналитик
Контекст
Анализ логов транзакций для поиска подозрительных операций, выходящих за рамки типичного поведения.
Проблема
Сложно определить порог 'подозрительности' для разных типов счетов.
Как использовать
Использовать устойчивый Z-Score для обработки сумм транзакций и включить опцию обнаружения выбросов с порогом 3.
Пример конфигурации
standardizationType: robust, detectOutliers: true, outlierThreshold: 3
Результат
Получен отчет с отмеченными транзакциями, которые отклоняются от медианы более чем на 3 единицы MAD.

Проверить на примерах

csv, video, barcode

Связанные хабы

FAQ

Что такое Z-Score?

Это статистический показатель, который показывает, на сколько стандартных отклонений конкретное значение отклоняется от среднего арифметического всей выборки.

В чем разница между стандартным и устойчивым Z-Score?

Стандартный Z-Score использует среднее и стандартное отклонение, а устойчивый (Robust) — медиану и медианное абсолютное отклонение (MAD), что делает его менее чувствительным к выбросам.

Что произойдет с нечисловыми столбцами?

Инструмент автоматически сохраняет нечисловые столбцы без изменений, применяя математические преобразования только к выбранным числовым данным.

Как инструмент обрабатывает пропущенные значения?

Вы можете выбрать стратегию обработки: пропуск строк, заполнение средним, медианой, нулями или модой в зависимости от специфики ваших данных.

Можно ли масштабировать данные в заданный диапазон?

Да, вы можете указать целевой диапазон вывода, если стандартного преобразования Z-Score недостаточно для ваших задач.

Документация API

Конечная точка запроса

POST /ru/api/tools/data-zscore-normalizer

Параметры запроса

Имя параметра Тип Обязательно Описание
inputData textarea Да -
targetColumns textarea Нет -
standardizationType select Нет -
outputRange text Нет Optional: Scale standardized values to target range. Leave empty for standard z-score output.
handleMissing select Нет -
preserveOriginal checkbox Нет -
decimalPlaces number Нет -
includeStatistics checkbox Нет -
detectOutliers checkbox Нет -
outlierThreshold number Нет Values beyond this many standard deviations will be flagged as outliers

Формат ответа

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

Документация MCP

Добавьте этот инструмент к конфигурации сервера MCP:

{
  "mcpServers": {
    "elysiatools-data-zscore-normalizer": {
      "name": "data-zscore-normalizer",
      "description": "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)",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=data-zscore-normalizer",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Вы можете объединять несколько инструментов, например: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, максимум 20 инструментов.

Если вы столкнулись с проблемами, пожалуйста, свяжитесь с нами по адресу [email protected]