Sie prognostizieren zukünftige Beschäftigungsquoten anhand vieler Wirtschaftsmerkmale, deren Größenordnungen stark variieren. Welchen Vorverarbeitungsschritt sollten Sie vor dem Training anwenden, um zu verhindern, dass Merkmale mit großen Größenordnungen das Modell dominieren?

Die Standardisierung von Merkmalen, typischerweise durch Z-Score-Normalisierung (Mittelwert 0, Varianz 1), ist eine gängige Vorverarbeitungstechnik, um sicherzustellen, dass Merkmale mit großen Größenordnungen das Modelltraining nicht dominieren. Viele Machine-Learning-Algorithmen, insbesondere solche, die auf Distanzberechnungen basieren (z. B. K-Means, SVMs, PCA) oder Gradientenabstiegsverfahren verwenden, sind empfindlich gegenüber der Skalierung der Eingabemerkmale. Ohne Standardisierung könnten Merkmale mit größeren Werten unverhältnismäßig stark zum Modellfehler beitragen oder die Konvergenz des Optimierungsalgorithmus verlangsamen. Quantil-Binning wandelt kontinuierliche Daten in kategoriale um, was zwar die Größenordnung beeinflusst, aber nicht primär dazu dient, die Dominanz großer Werte in numerischen Modellen zu verhindern, sondern eher die Behandlung von Ausreißern oder die Modellierung nichtlinearer Beziehungen zu erleichtern. Eine kartesische Produkttransformation erzeugt Interaktionsmerkmale, ändert aber nicht die Skalierung der ursprünglichen Merkmale. Die orthogonale dünne Bigramm (OSB)-Transformation ist keine Standardtechnik zur Skalierung von Merkmalen und ist in diesem Kontext nicht relevant.