Een machine learning engineer die gegevens voorbereidt voor een classificatiemodel, merkt op dat enkele continue numerieke features waarden hebben die veel groter zijn dan de andere. Een domeinexpert bevestigt dat de features informatief zijn en de dataset representatief is. De nauwkeurigheid van het getrainde model is lager dan verwacht. Welke voorverwerkingsstap zal de inferentienauwkeurigheid het meest verbeteren?

Normalisatie schaalt de waarden van features naar een vergelijkbaar bereik, wat cruciaal is voor veel machine learning-algoritmen die gevoelig zijn voor de schaal van de inputfeatures (bijvoorbeeld algoritmen gebaseerd op gradiëntdaling of afstandsmetingen). Door de features met onevenredig grote waarden te normaliseren, voorkom je dat deze features het leeralgoritme domineren en de prestaties van het model negatief beïnvloeden, wat de inferentienauwkeurigheid verbetert. Bootstrapping is een resamplingtechniek die niet direct de schaalproblemen aanpakt. Het verwijderen van informatieve features zou leiden tot verlies van waardevolle informatie. Het creëren van geëxtrapoleerde synthetische features is geen standaardoplossing voor dit probleem en kan ruis introduceren.