Por Que Escalar os Dados?

Após tratar valores ausentes e codificar características categóricas, o conjunto de dados está livre de problemas que poderiam causar erros no modelo. No entanto, outro desafio permanece: escalas diferentes de características.

Esse problema não causará erros se você fornecer os dados no estado atual para o modelo, mas pode prejudicar substancialmente alguns modelos de ML.

Considere um exemplo em que uma característica é 'age', variando de 18 a 50, e a segunda característica é 'income', variando de $25,000 a $500,000. Fica claro que uma diferença de dez anos na idade é mais significativa do que uma diferença de dez dólares na renda.

No entanto, alguns modelos, como o k-NN (que será utilizado neste curso), podem tratar essas diferenças como igualmente importantes. Consequentemente, a coluna 'income' terá um impacto muito mais significativo no modelo. Portanto, é fundamental que as características tenham aproximadamente o mesmo intervalo para que o k-NN funcione de forma eficaz.

Embora outros modelos possam ser menos afetados por escalas diferentes, o escalonamento dos dados pode aumentar significativamente a velocidade de processamento. Assim, o escalonamento dos dados é comumente incluído como uma etapa final na preparação dos dados.

O próximo capítulo abordará os três transformadores mais utilizados para o escalonamento de dados. São eles: StandardScaler, MinMaxScaler e MaxAbsScaler.