Analiza wzrostu dokładności prognozowania modelu po normalizacji danych

W nowoczesnym uczeniu maszynowym wstępne przetwarzanie danych jest kluczowym krokiem, który znacząco wpływa na wydajność modeli klasyfikacyjnych i dokładność prognozowania. W niniejszym badaniu zbadano wpływ normalizacji danych na dokładność prognozowania dwóch powszechnych algorytmów uczenia maszynowego: regresji logistycznej i maszyny wektorów nośnych (SVM). Metody normalizacji danych, w tym metody transformacji logarytmicznej i skalowania (takie jak RobustScaler i MinMaxScaler), zastosowano w celu oceny ich wpływu na dokładność modelu, zrównoważoną dokładność, wynik F1 i obszar pod charakterystyką operacyjną odbiornika (AUC). Wyniki pokazały, że proces normalizacji doprowadził do znacznej poprawy wydajności modelu. W szczególności regresja logistyczna wykazała umiarkowany wzrost wszystkich kluczowych metryk: dokładność poprawiła się o 14,6%, zrównoważona dokładność o 12,3%, wynik F1 o 11,5%, a AUC o 3,9%. Natomiast SVM wykazało znaczące ulepszenia: dokładność wzrosła o 42,5%, zrównoważona dokładność o 81,3%, wynik F1 o 21,3%, a AUC o 117,9%. Wyniki te podkreślają znaczenie kroków wstępnego przetwarzania dla modeli wrażliwych na skalowanie cech, takich jak SVM. Krzywe ROC potwierdziły poprawę wydajności klasyfikacji, przy czym AUC SVM wzrosło z 0,407 do 0,887 po normalizacji, co wskazuje na przejście od modelu o niskiej wydajności do takiego, który dokładniej rozróżnia klasy dodatnie i ujemne. Ta poprawa pokazuje skuteczność normalizacji w poprawie generalizacji i solidności modelu, szczególnie podczas obsługi niezrównoważonych zestawów danych. Wynik podkreśla, że normalizacja danych jest ważnym krokiem przed trenowaniem i nauką modelu. Nie tylko poprawia dokładność modelu, ale także zapewnia lepszą adaptowalność i stabilność w rzeczywistych zastosowaniach. Jest to również ważny krok w kierunku osiągnięcia wiarygodnych i dokładnych prognoz. Wyniki badania podkreślają znaczenie wstępnego przetwarzania danych w procesach uczenia maszynowego, zwłaszcza w przypadku algorytmów zależnych od skali cech lub metod geometrycznych, takich jak SVM i regresja logistyczna.