Feature-Skalierungsrechner

Skaliere jede numerische Spalte unabhängig. CSV laden/einfügen oder Demo wählen, dann die Transformation über jeder Spalte einstellen. Originalwerte bearbeiten ändert die Eingabe; abwählen zeigt das aktuelle Ergebnis. Unveränderte Spalten dürfen Text enthalten. CSV exportiert die angezeigte Ansicht mit voller Zahlenpräzision; die Tabelle zeigt sechs signifikante Stellen.

Min–Max: (x−min)/(max−min), beobachtete Extremwerte werden 0 und 1. Z-Score: (x−Mittelwert)/s. n−1 verwendet die Stichprobenstandardabweichung, n die der Grundgesamtheit wie scikit-learn StandardScaler. Konstante Spalten werden mit Skala 1 zu 0, auch bei einem einzelnen Wert. Log₁₀ benötigt strikt positive Werte; eine logarithmische Transformation, keine Standardisierung. Demo: A:0/0,5/1, B:−1/0/1 (n−1), C:0/1/2.

Automatische Überschriftenwahl behandelt eine vollständig nichtnumerische erste Zeile als Überschriften; bei Bedarf Überschriften oder Daten ausdrücklich wählen. Trennzeichen werden erkannt; Dezimalkommas funktionieren in Anführungszeichen oder Semikolon-CSV. Leere oder ungültige Zahlenzellen sind Fehler und niemals null. Grenzen: 200 Datenzeilen, 20 Spalten, 1 MiB, Zahlenbetrag höchstens 10¹⁵⁰. Zu große Importe werden abgelehnt und behalten die vorige Tabelle. Alles läuft lokal.

Die Parameter werden aus allen importierten Zeilen bestimmt. Für Machine Learning nur Trainingsdaten zum Fitten verwenden und dieselben Parameter auf Testdaten anwenden, um Datenlecks zu vermeiden. Dieses Werkzeug trennt Trainings-/Testdaten nicht und überträgt keine gespeicherten Fits auf andere Daten. Skalierung ist ausreißerempfindlich und macht Verteilungen nicht automatisch normal. Rückrechnung: Min–Max y·Spannweite+min, Z-Score y·s+Mittelwert, Log 10ʸ.