MinMaxSkalierung

MinMaxSkalierung, auch Min-Max-Normalisierung genannt, ist eine Methode der Datenvorverarbeitung, die Merkmale eines Datensatzes auf einen festen Wertebereich skaliert, üblicherweise [0, 1] oder [-1, 1]. Jedes Merkmal wird unabhängig von den anderen transformiert.

Die Transformation erfolgt pro Merkmal anhand des Minimalwerts und des Maximalwerts des Merkmals. Die Standardform lautet x' = (x - min(x)) / (max(x) - min(x)) für den Bereich [0, 1]. Für einen allgemeinen Bereich [a, b] gilt x' = a + (x - min(x)) / (max(x) - min(x)) * (b - a).

In Maschinellen Lernprozessen wird MinMaxSkalierung oft vor Algorithmen eingesetzt, die empfindlich auf die Skala von Eingaben reagieren, z. B. k-Nearest Neighbors, Gradient-Descent-Optimization oder neuronale Netze. Die Skalierung wird typischerweise auf die Trainingsdaten angepasst und dieselben min- und max-Werte auch auf Validierungs- oder Testdaten angewendet, um Daten-Leakage zu vermeiden.

Zu den Nachteilen gehört die Empfindlichkeit gegenüber Ausreißern, da extreme Werte Min und Max verzerren können. Falls neue Daten außerhalb des ursprünglichen Bereichs auftreten, kann dies die skalierten Werte verzerren. Bei konstanten Merkmalen (max = min) muss die Division vermieden werden; oft wird in diesem Fall der Wert 0 gesetzt.

Alternativen umfassen die Z-Standardisierung (Standardisierung) mit Mittelwert 0 und Standardabweichung 1 oder robuste Skalierung, die Median und Interquartilabstand verwendet. MinMaxSkalierung eignet sich gut, wenn eine feste Bereichsskalierung verlangt ist und die Daten relativ gut verteilt sind.