Summary  
This chapter explains the importance of scaling numerical features to a common range so that distance-based algorithms like k-NN are not biased by differently scaled inputs and to improve overall processing efficiency.

General domain of usage  
Machine learning data preprocessing

Efter håndtering af manglende værdier og kodning af kategoriske funktioner er datasættet fri for problemer, der kan forårsage fejl i modellen. Dog er der stadig en udfordring tilbage: **forskellige skalaer for funktioner**.


Dette problem vil ikke forårsage fejl, hvis du giver dataene i deres nuværende tilstand til modellen, men det kan **væsentligt forringe nogle ML-modeller**.

Overvej et eksempel, hvor én feature er `'age'`, der spænder fra **18** til **50**, og den anden feature er `'income'`, der spænder fra **$25,000** til **$500,000**. Det er tydeligt, at en forskel på ti år i alder er mere betydningsfuld end en forskel på ti dollars i indkomst.

Dog kan nogle modeller, såsom **k-NN** (som vi vil bruge i dette kursus), behandle disse forskelle som **lige vigtige**. Derfor vil kolonnen `'income'` have en langt større indflydelse på modellen. Det er derfor afgørende, at features har **omtrent samme interval**, for at k-NN kan fungere effektivt.

Selvom andre modeller kan være mindre påvirkede af forskellige skalaer, kan skalering af data markant **forbedre behandlingstiden**. Derfor indgår datascalering ofte som det sidste trin i forbehandlingen.

Som nævnt ovenfor er datascalering normalt **det sidste trin** i forbehandlingsfasen. Det skyldes, at ændringer af features efter skalering kan gøre dataene uskalerede igen.

Bemærk

Det næste kapitel gennemgår de tre mest anvendte transformere til datascalering. Det er `StandardScaler`, `MinMaxScaler` og `MaxAbsScaler`.

Hvorfor er det vigtigt at skalere features i maskinlæringsmodeller som k-nearest neighbors (KNN)?

Maskinlæring anvendes nu overalt. Vil du lære det selv? Dette kursus er en introduktion til maskinlæringens verden, hvor du lærer grundlæggende begreber, arbejder med Scikit-learn – det mest populære bibliotek til ML – og bygger dit første maskinlæringsprojekt.
Dette kursus er tiltænkt studerende med grundlæggende kendskab til Python, Pandas og Numpy.

Lær om maskinlæringskoncepter og arbejdsgangen i et ML-projekt.

Forbehandling er sandsynligvis den vigtigste fase i et ML-projekt. Dette kapitel dækker de forbehandlingsskridt, der er nødvendige for næsten ethvert datasæt.

En pipeline er en elegant måde at kombinere alle forbehandlingsskridt samt en model. Pipelines gør det meget nemmere at træne og anvende en model.

Modellering er den mest underholdende fase i et ML-projekt. Lad os lære at opbygge, finjustere og evaluere modellen!

Hvorfor Skalere Dataene?