12

Ao trabalhar com algoritmos de previsão que usam multivariáveis me deparei com a função scale do R, que cujo objetivo é escalar/padronizar os valores das variáveis.

Não tenho dificuldades na utilização da função scale, mas minha dúvida é especificamente conceitual.

Por que devo escalar os valores das minhas variáveis? Qual é o objetivo? Isso faz diferença por exemplo, na acurácia do modelo de previsão do meu algoritmo? E como posso reverter a transformação?

2
  • 1
    Veja este post do Cross Validated. Mas esqueça uma das razões dadas, a da estabilidade numérica, hoje em dia isso já não é bem verdade, os computadores estão muito melhores. Isso foi dito no R-Help há algum tempo atrás. Commented 6/01/2020 às 20:23
  • Obrigado pelas referências @Rui Barradas. Commented 7/01/2020 às 19:20

1 Resposta 1

6

Devo escalonar minhas entradas? A reposta é: depende.

A verdade é que escalonar seus dados não irá piorar o resultado, então, na dúvida, escalone.

Casos em que se deve escalonar

  1. Se o modelo se baseia na distância entre os pontos, como algoritmos de clusterização (k-meas) ou redução de dimensionalidade (PCA), então é necessário escalonar/normalizar suas entradas. Veja o exemplo:

Partindo dos dados:

    Ano  Preco
0  2000   2000
1  2010   3000
2  1970   2500

A matriz de distância euclidiana é:

       0       1       2   
0 [[   0.   1000.05  500.9 ]
1  [1000.05    0.    501.6 ]
2  [ 500.9   501.6     0.  ]]

Observamos que a distância absoluta do preco dita qual será a distância, pois seu valor absoluto é muito maior que o ano. Porém, quando normalizamos entre [0, 1], o resultado muda drasticamente:

   Ano_norm  Preco_norm
0      0.75         0.0
1      1.00         1.0
2      0.00         0.5

A nova matriz de distância euclidiana é:

      0    1    2 
0 [[0.   1.03 0.9 ]
1  [1.03 0.   1.12]
2  [0.9  1.12 0.  ]]

Outro exemplo, referente ao PCA, é este aqui.

  1. Para algoritmos como Redes Neurais (veja esta referência), que utilizam o gradiente descendente e funções de ativação, escalonar as entradas permite:
    • Que features só positivas possuam uma parte negativa e outra positiva, o que facilita o treinamento.
    • Evita que alguma conta retorne valores como Not a Number durante o treinamento.
    • Se as entradas estiverem em escalas diferentes, os pesos conectados aos inputs serão atualizados em ritmos diferentes (alguns mais rápidos que outros). Isto prejudica o aprendizado.

E ainda normalizar as saídas é importante por conta da função de ativação da última camada.

Neste caso, para voltar a escala original da saída, basta guardar os valores utilizados para normalizar e fazer a conta inversa. Ex:

Para normalizar:

X_norm = (X - X_min)/(X_max - X_min)

Para voltar a escala original:

X = X_norm * (X_max - X_min) + X_min

Casos em que não é necessário escalonar

  1. Algoritmos de corte, como Árvore de decisão e Random Forest.

Outros casos

Para alguns algoritmos como regressão linear, escalonar não é obrigatório e não melhora a acurácia. Escalonar ou não as entradas mudará apenas os coeficientes encontrados. Porém, como as entradas possuem magnitudes diferentes (como no exemplo acima de ano e preço), os coeficientes encontrados só poderão ser comparados se as entradas forem escalonadas. Ou seja, se quiser interpretabilidade, escalone as entradas.

5
  • Obrigado pela resposta @AlexCiuffa, me esclareceu muitas dúvidas. Se me permite gostaria de perguntar mais uma coisa e se puder responder ficaria muito grato. Você mencionou que em Regressão Linear escalonar não melhora na acurácia, mas e se eu usar o ARIMA seria o mesmo caso? Commented 7/01/2020 às 19:25
  • 2
    Como o ARIMA só utiliza a própria variável temporal como entrada, a escala das entradas é a mesma, por isso não há necessidade de escaloná-las. Inclusive, a escala da saída é a mesma das entradas.
    – AlexCiuffa
    Commented 7/01/2020 às 19:46
  • Entendi. Mesmo que eu inclua multivariáveis no modelo do ARIMA também não tem necessidade? Eu fiz alguns testes e não vi diferença, não sei quanto a interpretabilidade se muda algo. Commented 7/01/2020 às 19:53
  • 1
    O ARIMA é uma regressão linear que tem como entrada um (ou mais) histórico(s). Por isso escalonar as entradas não irá melhorar o resultado.
    – AlexCiuffa
    Commented 7/01/2020 às 19:59
  • Entendi. Muito obrigado pelo esclarecimento. Commented 7/01/2020 às 20:02

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .