Een gesaneerde dataset heeft features waarvan de schalen ordes van grootte verschillen. Welke reeks stappen moet u volgen vóór het modelleren om de voorspellingsnauwkeurigheid in productie te maximaliseren?

De correcte aanpak is om eerst de dataset te splitsen in trainings-, validatie- en testsets. Vervolgens schaalt u de trainingsset en past u dezelfde schaalparameters toe op de validatie- en testsets. Dit voorkomt data-lekkage van de validatie- en testsets naar de trainingsset, wat de modelprestaties kunstmatig zou kunnen verbeteren. Willekeurige sampling (optie 1) is geen vervanging voor schaling en is niet de meest optimale eerste stap. Het schalen van de gehele dataset vóór het splitsen (optie 3) leidt tot data-lekkage, omdat informatie over de verdeling van de validatie- en testsets onbedoeld in de trainingsset terechtkomt. Het onafhankelijk schalen van elke set (optie 4) is ook incorrect, omdat dit inconsistenties introduceert en de validatie- en testsets niet langer representatief zijn voor de geschaalde trainingsdata, wat de evaluatie van het model onbetrouwbaar maakt.