Farklı sayısal aralıklara sahip 150 ilişkili özelliğe sahip bir tablo veri setiniz var ve bir regresyon modeli eğitmeden önce model performansını en az etkileyecek şekilde boyutsallığı azaltmanız gerekiyor. Bu hedefe hangi ön işleme yaklaşımı ulaşır?

PCA (Temel Bileşenler Analizi), özelliklerin varyansına duyarlı bir boyut azaltma tekniğidir. Farklı sayısal aralıklara sahip özellikler doğrudan PCA'ya uygulandığında, daha büyük aralıklı özellikler analize orantısız bir şekilde hakim olabilir. Bu nedenle, PCA uygulamadan önce verileri ölçeklemek (normalleştirmek) önemlidir. Min-Max ölçekleyici, tüm özellikleri belirli bir aralığa (genellikle 0 ile 1 arasına) dönüştürerek bu sorunu çözer ve her özelliğin PCA'ya eşit şekilde katkıda bulunmasını sağlar. SageMaker Data Wrangler, bu tür ön işleme adımlarını kolayca uygulamanıza olanak tanır. Diğer seçenekler hatalıdır çünkü: Ham verilere doğrudan PCA uygulamak, özellik aralıklarındaki farklılıklar nedeniyle yanlış sonuçlara yol açabilir. En yüksek veya en az korelasyonlu özellikleri kaldırmak, önemli bilgileri kaybetmenize neden olabilir ve PCA'nın temel amacı olan varyansı koruyarak boyut azaltma hedefine ulaşmaz. Standard Scaler da bir ölçekleme yöntemi olsa da, Min-Max Scaler bu senaryoda PCA için daha uygun bir ön işleme adımıdır çünkü tüm verileri belirli bir aralığa sıkıştırır.