Bir sınıflandırma modeli için veri hazırlayan bir makine öğrenimi mühendisi, birkaç sürekli sayısal özelliğin diğerlerinden çok daha büyük değerlere sahip olduğunu fark eder. Bir alan uzmanı, özelliklerin bilgilendirici olduğunu ve veri kümesinin temsili olduğunu doğrular. Eğitilen modelin doğruluğu beklenenden düşüktür. Çıkarım doğruluğunu en çok hangi ön işleme adımı iyileştirir?

Sürekli sayısal özelliklerin orantısız derecede büyük değerlere sahip olması, makine öğrenimi modellerinin, özellikle mesafe tabanlı algoritmaların (örneğin, SVM, K-NN, lojistik regresyon) performansını olumsuz etkileyebilir. Bu özellikler, modelin öğrenme sürecinde diğer özelliklere göre daha fazla ağırlık kazanmasına ve modelin bu büyük değerlere aşırı duyarlı olmasına neden olabilir. Normalizasyon (örneğin, Min-Max ölçeklendirme veya Z-skoru normalizasyonu), tüm özelliklerin belirli bir aralığa (örn. [0, 1]) veya standart bir dağılıma (ortalama 0, standart sapma 1) getirilmesini sağlayarak bu sorunu çözer. Bu, modelin tüm özelliklere eşit derecede dikkat etmesine yardımcı olur ve çıkarım doğruluğunu artırır. Büyük değerlere sahip özellikleri bootstrap etmek, veri setini yeniden örneklemek anlamına gelir ve bu durum, özelliklerin ölçeklendirme sorununu çözmez. Çok büyük değerlere sahip özellikleri kaldırmak, değerli bilgilerin kaybına yol açabilir, çünkü alan uzmanı bu özelliklerin bilgilendirici olduğunu doğrulamıştır. Büyük değerli özelliklerden ekstrapole edilmiş sentetik özellikler oluşturmak, mevcut veri dağılımının dışına çıkabilir ve modelin genelleme yeteneğini azaltabilir.