Normalisierung

Question 1

Warum ist Normalisierung/Standardisierung wichtig in der Data Science?
+ Beispiel

Answer 1

• Einzelne Merkmale haben in mehrdimensionalen Datensätzen oft sehr unterschiedliche Wertebereiche
• Numerisch kleinere Werte werden gegenüber numerisch größeren vernachlässigt
• zB Alter des Kreditnehmers und Summe des Kredits

Question 2

Beschreibe die min-max Normalisierung

Answer 2

• Min- und Maxwert werden mit 0 und 1 ersetzt
• Ausreißer fallen danach noch genauso ins Gewicht
• Gut für Daten die keine Normalverteilung haben

Question 3

Wie wird die statistische Normalisierung noch genannt?

Answer 3

z-score Standardisierung

Question 4

Beschreibe die z-score Standardisierung kurz

Answer 4

• Verteilung der Daten erhält Mittelwert von 0
• Standardabweichung von 1
• Ursprüngliche Verteilung wird gewahrt
• Weniger von Ausreißern beeinflusst
• Gut bei normalverteilten Daten

Question 5

Wie erfolgt die l² Normaliserung?

Answer 5

Durch die euklidische Norm (Distanz vom Ursprung zu einem Vektor)

Question 6

Bei welchen Algorithmen muss man normalisieren?

Answer 6

• distanzbasierte Algorithmen (k-NN, k-means)
• Algorithmen die Gradientenverfahren verwenden (zB Neuronale Netze)