Trainingsdata is genormaliseerd met min-max scaling in AWS Glue DataBrew. Productie-inferentiedata moet exact op dezelfde manier worden genormaliseerd voordat deze naar het model wordt gestuurd. Welke aanpak voldoet aan deze vereiste?

De correcte aanpak is om de min-max normalisatieparameters (minimum- en maximumwaarden) die zijn berekend uit de trainingsdata te bewaren en deze exact dezelfde waarden te gebruiken om de productie-inferentiedata te normaliseren. Dit zorgt ervoor dat de productiedata op dezelfde schaal wordt gebracht als de trainingsdata, wat cruciaal is voor consistente modelprestaties. Het toepassen van statistieken van een openbare dataset is onjuist, omdat deze mogelijk niet representatief zijn voor uw specifieke data. Het berekenen van nieuwe min-max bereiken per batch of per individueel sample is ook incorrect, omdat dit leidt tot een verschuiving in de schaal ten opzichte van de trainingsdata, wat de nauwkeurigheid van het model tijdens inferentie kan verminderen.