Örnek sorular
Fe Numeric Transforms DistributionsZorluk 2
Bir sütun 10, 12, 14, 16, 18 değerlerini tutuyor. scikit-learn 1.6'daki StandardScaler tam olarak bu beş değer üzerinde fit edildikten sonra 18 değeri neye dönüşür?
- a4.0; değerden ortalamaya olan ham fark
- bYaklaşık 1.414; sütun ortalamasına uzaklığın 2.8284 olan anakütle standart sapmasına bölümü✓
- cYaklaşık 1.265; aynı uzaklığın örneklem standart sapmasına bölümü
- d1.0; aralık tabanlı bir ölçeklemede çıktının tepe değeri
Açıklama:StandardScaler mean_ = 14 ve scale_ = karekök(8) ≈ 2.8284 saklar; buradaki scale_ fit edilen sütunun anakütle standart sapmasıdır, yani 18 değeri 4 / 2.8284 ≈ 1.4142 olur. Yaklaşık 3.1623 olan örneklem standart sapmasına bölmek ≈1.2649 verirdi ve standardizasyonun, aralık tabanlı ölçeklemedeki gibi sabit bir üst sınırı yoktur.
Fe Numeric Transforms DistributionsZorluk 2
scikit-learn 1.6'da bir MinMaxScaler, [10, 12, 14, 16, 18] sütunu üzerinde fit ediliyor ve ardından yeni bir 22 değerini transform etmesi isteniyor. Ne döner?
- a1.0; çünkü scaler fit edilen maksimumun üstündeki her şeyi sınıra geri kırpar
- b0.0; çünkü görülmemiş bir değer en alta düşer
- c1.5; çünkü fit edilen formül maksimumun ötesinde de uygulanır✓
- dAralık dışı girdiyi anan bir ValueError
Açıklama:MinMaxScaler data_min_ = 10 ve data_max_ = 18 saklar ve 10'u çıkarıp 8'e bölen eşlemeyi uygular; bu da 22 için 1.5 verir. clip parametresi varsayılan olarak False'tur, yani formül fit edilen aralığın dışında da sınırlandırılmadan hesaplanır; clip=True sonucu 1.0'da tavanlardı.
Fe Numeric Transforms DistributionsZorluk 1
İki ham feature çarpımsal olarak birleşiyor: gelir = fiyat × adet. Üç büyüklüğün de yerine doğal logaritmaları konduğunda bu ilişkiye ne olur?
- aToplamsala dönüşür: loglanmış çıktı, iki loglanmış girdinin toplamıdır✓
- bÇarpımsal kalır; yalnızca denklemin her iki tarafında da sayılar küçülür
- cLoglanmış girdilerin oranına dönüşür
- dKaybolur; loglar bağı yok eder
Açıklama:Logaritmanın tanımlayıcı özdeşliği, bir çarpımın logunun logların toplamına eşit olmasıdır; yani ham ölçekteki bir çarpım log ölçeğinde tam olarak bir toplamdır. Bu yüzden loglanmış girdilerle eğitilen doğrusal bir model, ham ölçekte ifade edemeyeceği çarpımsal bir üs yasası ilişkisini ifade edebilir.
Fe Numeric Transforms DistributionsZorluk 2
NumPy 2.0 kullanan bir mühendis, 0.0, 1.0 ve 10.0 değerlerini içeren bir float dizide np.log çağırıyor. İlk eleman için ne üretilir?
- aAşağı akıştaki hiçbir şey çalışmadan çevredeki pipeline'ı durduran anlık bir ValueError
- bNaN; negatif bir girdi için bildirilen sonuç
- c0.0; sıfırın logu sıfır olarak tanımlıdır
- dEksi sonsuz; istisna yerine bir RuntimeWarning ile bildirilir✓
Açıklama:np.log sıfırda hesaplandığında eksi sonsuz döndürür ve NumPy bunu istisna fırlatarak değil RuntimeWarning ile bildirir; yani pipeline dizinin içinde sonsuz bir değerle çalışmaya devam eder. NaN sonucunu veren durum negatif girdidir; iki durum da yürütmeyi durdurmadığı için sorun genellikle çok daha aşağı akışta ortaya çıkar.
Fe Numeric Transforms DistributionsZorluk 2
Sipariş tutarlarını taşıyan sayısal bir sütunda birkaç tane tam 0.0 kaydı var. Bir mühendis bu sütun üzerinde scikit-learn 1.6'nın PowerTransformer'ını method='box-cox' ile fit ediyor. Ne olur?
- aKesin pozitiflik şartını anan bir ValueError fırlatılır✓
- bFit başarılı olur ve her sıfır çıktıda sıfır değerine eşlenir, sütunun geri kalanı olduğu gibi kalır
- cÜs araması başlamadan önce sıfırlar sessizce bir birim yukarı kaydırılır
- dFit olur ama sıfır satırları sonsuz çıkar
Açıklama:Box-Cox, girdinin bir kuvveti ve logaritması üzerinden tanımlıdır; bu yüzden yalnızca kesin pozitif değerler için anlamlıdır ve scikit-learn, dönüşümün yalnızca kesin pozitif veriye uygulanabileceğini söyleyen bir ValueError ile fit'i reddeder. Otomatik bir kaydırma uygulanmaz; fit denenmeden önce pozitif olmayan satırların ne olacağına çağıranın açıkça karar vermesi gerekir.
Fe Numeric Transforms DistributionsZorluk 3
Bir sütun 1, 2, 3, 4, 100 değerlerini içeriyor. scikit-learn 1.6'nın RobustScaler'ı varsayılan ayarlarla fit ediliyor; yani medyan 3'e göre merkezliyor ve çeyrekler açıklığı 2'ye bölüyor. 100 kaydı hangi değeri alır?
- a1.0; çünkü fit edilen sütundaki en büyük kayıt çıktı ölçeğinin tepesini tanımlar
- bYaklaşık 2.0; çünkü bölen, bulunan en uç kayıtla birlikte büyür
- c48.5; hâlâ yığının çok dışında✓
- d0.0; çünkü üst çeyreği aşan kayıtlar merkeze doğru geri katlanır
Açıklama:RobustScaler 97'yi 2'ye böler ve 48.5 elde eder. Medyan ile IQR seçmek yalnızca fit edilen merkezi ve genişliği uç kayda duyarsız kılar; dönüşümün kendisi hâlâ düz bir afin eşlemedir, dolayısıyla uç kayıt içeri çekilmek yerine sütunun yığınının çok dışına düşer.