Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Normalisatie is een stap in datavoorbewerking waarbij waarden worden herschaald naar een vergelijkbaar bereik. Dit voorkomt dat grote getallen onevenredig veel invloed hebben op het leerproces van een model.
Bij machine learning en neurale netwerken helpt normalisatie om modellen sneller, stabieler en nauwkeuriger te laten leren.
Waarom normalisatie belangrijk is
Veel algoritmes werken met afstanden en gewichten. Als één kenmerk veel grotere waarden heeft dan andere, kan het model verkeerd leren. Normalisatie zorgt ervoor dat alle kenmerken evenwichtig bijdragen.
Voordelen:
- Snellere en stabielere training
- Betere convergentie van het leerproces
- Minder risico op numerieke instabiliteit
Veelgebruikte vormen van normalisatie
- Min-max normalisatie, schaalt waarden meestal tussen 0 en 1
- Z-score normalisatie, centreert data rond het gemiddelde met standaarddeviatie 1
- Schaling naar een vast bereik, bijvoorbeeld −1 tot 1
De gekozen methode hangt af van het type data en het gebruikte algoritme.
Relatie met AI en ethiek
Normalisatie verbetert de technische prestaties, maar lost geen problemen in de data zelf op. Als inputdata bevooroordeeld is, blijft dat ook na normalisatie zichtbaar. Daarom blijft aandacht voor datakwaliteit en AI & Ethiek essentieel.
Verder leren
Wil je stap voor stap begrijpen hoe data wordt voorbereid en gebruikt in AI-modellen? Bekijk dan de gratis basiscursus AI op De Wereld van AI.
DE WERELD VAN AI 