Normalisierung

Die Normalisierung ist eine grundlegende Technik in der Datenvorverarbeitung, bei der numerische Attribute auf einen Standardbereich neu skaliert werden . Im Zusammenhang mit maschinellem Lernen (ML) enthalten Datensätze häufig Merkmale mit unterschiedlichen Skalen – wie beispielsweise Altersspannen (0–100) im Vergleich zu Einkommensniveaus (0–100.000). Wenn diese Unterschiede nicht behandelt werden, kann dies dazu führen, dass der Optimierungsalgorithmus zu größeren Werten tendiert , was zu einer langsameren Konvergenz und einer suboptimalen Leistung führt. Durch die Normalisierung der Daten stellen Ingenieure sicher, dass jedes Merkmal proportional zum Endergebnis beiträgt, sodass neuronale Netze effizienter lernen können.

Übliche Normalisierungstechniken

Es gibt mehrere Standardmethoden zur Datentransformation, die jeweils für unterschiedliche Verteilungen und Algorithmusanforderungen geeignet sind .

• Min-Max-Skalierung: Dies ist die intuitivste Form der Normalisierung. Dabei werden die Daten auf einen festen Bereich, in der Regel [0, 1], neu skaliert. Diese Transformation wird durchgeführt, indem der Minimalwert subtrahiert und durch den Bereich (Maximum minus Minimum) dividiert wird. Sie wird häufig in der Bildverarbeitung verwendet, wo die Pixelintensitäten bekanntermaßen zwischen 0 und 255 liegen.
• Z-Score-Standardisierung: Obwohl der Begriff oft synonym mit Normalisierung verwendet wird, transformiert die Standardisierung Daten speziell so, dass sie einen Mittelwert von 0 und eine Standardabweichung von 1 haben. Dies ist besonders nützlich, wenn die Daten einer Gaußschen Verteilung folgen, und ist unerlässlich für Algorithmen wie Support Vector Machines (SVM), die von normalverteilten Daten ausgehen.
• Log-Skalierung: Bei Daten, die extreme Ausreißer enthalten oder einer Potenzgesetzverteilung folgen, kann durch Anwendung einer logarithmischen Transformation der Wertebereich komprimiert werden. Dadurch wird die Verteilung für die Inferenz-Engine besser handhabbar, sodass sie diese effektiv interpretieren kann, ohne durch massive Wertespitzen verzerrt zu werden.

Anwendungsfälle in der Praxis

Die Normalisierung ist ein Standardschritt in den Pipelines von Hochleistungs-KI-Systemen in verschiedenen Branchen.

1. Computer Vision (CV): Bei Aufgaben wie der Objekterkennung und der Bildklassifizierung bestehen digitale Bilder aus Pixelwerten zwischen 0 und 255. Die direkte Eingabe dieser großen Ganzzahlen in ein Netzwerk kann den Gradientenabstieg verlangsamen. Ein standardmäßiger Vorverarbeitungsschritt besteht darin, die Pixelwerte durch 255,0 zu dividieren, um sie auf den Bereich [0, 1] zu normalisieren. Diese Vorgehensweise gewährleistet konsistente Eingaben für fortschrittliche Modelle wie YOLO26 und verbessert die Trainingsstabilität auf der Ultralytics .
2. Medizinische Bildanalyse: Medizinische Scans, wie sie beispielsweise in der KI im Gesundheitswesen verwendet werden, stammen oft von verschiedenen Geräten mit unterschiedlichen Intensitätsskalen. Die Normalisierung stellt sicher, dass die Pixelintensitäten eines MRT- oder CT-Scans zwischen verschiedenen Patienten und Geräten vergleichbar sind. Diese Konsistenz ist entscheidend für eine genaue Tumorerkennung, da sich das Modell so auf strukturelle Anomalien statt auf Helligkeitsunterschiede konzentrieren kann.

Unterscheidung von verwandten Konzepten

Es ist wichtig, die Normalisierung von ähnlichen Begriffen der Vorverarbeitung und Architektur im Deep Learning zu unterscheiden.

• vs. Batch-Normalisierung: Die Datennormalisierung ist ein Vorverarbeitungsschritt, der auf den rohen Eingabedatensatz angewendet wird, bevor dieser in das Netzwerk gelangt. Im Gegensatz dazu arbeitet die Batch-Normalisierung intern zwischen den Schichten im gesamten Netzwerk während des Modelltrainings. Sie normalisiert die Ausgabe einer vorherigen Aktivierungsschicht, um den Lernprozess zu stabilisieren.
• vs. Bildvergrößerung: Während die Normalisierung die Skalierung der Pixelwerte verändert, verändert die Vergrößerung den Inhalt oder die Geometrie des Bildes (z. B. durch Spiegeln, Drehen oder Ändern der Farben), um die Vielfalt des Datensatzes zu erhöhen. Tools wie Albumentations werden für die Vergrößerung verwendet, während die Normalisierung eine mathematische Skalierungsoperation ist.

Beispiel für die Umsetzung

In der Bildverarbeitung ist die Normalisierung oft der erste Schritt in der Pipeline. Die folgenden Python Beispiel zeigt, wie Bilddaten manuell mit der NumPy normalisiert werden können – ein Vorgang, der während des Trainings automatisch im Ultralytics -Datenlader erfolgt.

import numpy as np

# Simulate a 2x2 pixel image with values ranging from 0 to 255
raw_image = np.array([[0, 255], [127, 64]], dtype=np.float32)

# Apply Min-Max normalization to scale values to [0, 1]
# This standardizes the input for the neural network
normalized_image = raw_image / 255.0

print(f"Original Range: {raw_image.min()} - {raw_image.max()}")
print(f"Normalized Range: {normalized_image.min()} - {normalized_image.max()}")