Нормализация

Зачем это важно: если рост измеряется в метрах (1,7), а вес — в килограммах (70), модель может решить, что вес важнее роста, просто из-за больших чисел. На самом деле это разные шкалы, и без нормализации обучение замедляется, а результат становится нестабильным.

Как это работает интуитивно: представьте карту и линейку. Если координаты городов заданы в километрах, а высоты — в метрах, то расстояния на карте исказятся. Нормализация — это как перевод всех единиц в одну, например в «проценты от диапазона»: превращает 1,7 в 0,6, а 70 — в 0,4, чтобы всё лежало между нулём и единицей. Так мы убираем иллюзию масштаба.

Пример: банк оценивает кредитоспособность. Возраст (25–60) и доход (20 000–200 000) сильно различаются по шкале. После нормализации оба признака становятся сопоставимыми, и алгоритм честно сравнивает, что важнее: возраст или доход, не поддаваясь гипнозу больших цифр. Теперь уже все числа сопоставимы и не обманывают алгоритм.

Вывод: нормализация — это скромный, но необходимый этап подготовки данных. Она не меняет смысл информации, а лишь выравнивает её «вес», помогая модели учиться быстрее и точнее. Пропустите её — и алгоритм будет решать не задачу, а поддаваться иллюзии масштаба.