Feature Scaling: Zahlen auf eine gemeinsame Basis bringen

Erfahren Sie, warum Merkmale, die auf unterschiedlichen Skalen gemessen werden, vor dem Clustering normalisiert werden und wie SurgeFlow jedes Merkmal robust anhand von Median und Streuung skaliert.

Kategorie: Machine Learning

Einfach erklärt

Stellen Sie sich vor, Sie teilen Menschen anhand von zwei Angaben in Gruppen ein: ihrer Körpergröße in Zentimetern (rund 170) und ihrem Alter in Jahren (rund 40). Addiert man einfach die Rohwerte, übertönt die Größe das Alter, nur weil ihre Zahlen größer sind - obwohl das Alter ebenso wichtig sein kann. Feature Scaling (die Skalierung von Merkmalen) behebt das, indem jede Zahl so umgerechnet wird, dass alle dieselbe 'Größensprache' sprechen, bevor der Computer sie vergleicht. Es ist ein Schritt der Fairness: Er verhindert, dass eine Spalte nur deshalb dominiert, weil ihre Einheiten zufällig große Werte ergeben.

Was gemessen wird

Ein 'Merkmal' (Feature) ist eine Datenspalte, die eine Aktie beschreibt - zum Beispiel ein Verhältniswert zwischen 0 und 1 oder eine Marktkapitalisierung von $2,000,000,000 (Marktkapitalisierung = Aktienkurs mal Anzahl der Aktien). Viele Modelle messen, wie 'weit auseinander' zwei Aktien liegen, indem sie deren Spalten kombinieren; eine Spalte mit riesigen Rohwerten dominiert dann diesen Abstand. Die Skalierung drückt jede Spalte relativ zu ihrem eigenen typischen Wert und ihrer eigenen Streuung aus, sodass eine 'große Bewegung' in der einen Spalte mit einer 'großen Bewegung' in einer anderen vergleichbar ist. - Rohwerte: Aktie A Marktkapitalisierung = 2,000,000,000; Kennzahl = 0.30 - Rohwerte: Aktie B Marktkapitalisierung = 2,000,001,000; Kennzahl = 0.90 - Der unskalierte Abstand wird von der winzigen Differenz von 1,000 bei der Marktkapitalisierung dominiert, der große Unterschied bei der Kennzahl bleibt unbeachtet - Nach der Skalierung wird der Unterschied zwischen den Kennzahlen 0.30 und 0.90 sichtbar und zählt mit

Wie SurgeFlow es nutzt

Dieser Schritt ist die Grundlage des ML-Tabs 'Marktkarte' (/ml), der US-Aktien in Cluster gruppiert und ungewöhnliche Titel markiert. Vor jeder Gruppierung skaliert SurgeFlow jedes Merkmal robust: Der Median der Spalte (der mittlere Wert) wird abgezogen und das Ergebnis durch den IQR geteilt (den Interquartilsabstand - die Streuung der mittleren Hälfte der Daten). Die robuste Skalierung wird gewählt, weil Median und IQR unempfindlich gegenüber Ausreißern und gegenüber dünn besetzten, lückenhaften Spalten sind, anders als Mittelwert und Standardabweichung, die schon wenige Extremwerte verzerren können. Die skalierten Merkmale fließen anschließend in die PCA (ein Schritt, der viele Spalten zu wenigen zusammenfassenden Richtungen verdichtet) und in das Clustering, aus dem die Karte entsteht. - Zentrieren: den Median der Spalte abziehen (typischer Wert) - Streuung: durch den IQR teilen (Spanne der mittleren Hälfte) - Unempfindlich gegenüber Ausreißern, sodass ein einzelner Extremwert die Spalte nicht verzerrt - Für jedes Merkmal einzeln, vor PCA und Clustering

So lesen Sie es auf der Website

Sie klicken auf keine Schaltfläche 'Skalieren' - der Schritt läuft unbemerkt in der Pipeline hinter dem ML-Tab 'Marktkarte' (/ml) ab. Was Sie tatsächlich sehen, ist das Ergebnis: Aktien, die Clustern zugeordnet sind, und Anomalie-Markierungen, wobei jede Eingabespalte gleichberechtigt eingeflossen ist. Für die Praxis heißt das: Die Gruppierungen der Karte spiegeln ein ausgewogenes Bild über alle Merkmale hinweg wider, nicht nur die Spalte mit den größten Rohwerten. Wenn Sie sich fragen, warum zwei Aktien mit sehr hoher Marktkapitalisierung dennoch in unterschiedlichen Clustern landen können, liegt das an der Skalierung: Unterschiede in Spalten mit kleineren Zahlen gehen nicht mehr unter.

Was es Ihnen nicht sagen kann

Die Skalierung macht Spalten lediglich in ihrer Größenordnung vergleichbar - sie entscheidet nicht, welche Spalten zählen, belegt nicht, dass etwas wichtig ist, und prognostiziert keine Renditen. Ein nahezu konstantes Merkmal (eines, das bei fast jeder Aktie denselben Wert hat) wird vor der Skalierung entfernt, weil die Division durch einen IQR nahe null diese kleine Spalte zu Rauschen aufblähen würde, das das Modell kapert; mit dem Entfernen geht keine echte Information verloren, da die Spalte ohnehin kaum variierte. Und denken Sie an die grundsätzlichere Einschränkung: Die ML-Karte ist beschreibend, sie zeigt Struktur in den Daten, keine Kauf- oder Verkaufssignale. SurgeFlow ist Research und Wissensvermittlung, niemals Anlageberatung. - Skalierung gleicht Größenordnungen aus, sie stuft keine Bedeutung ein - Nahezu konstante Spalten werden entfernt (ein IQR nahe null würde zu Rauschen explodieren) - Eine gemeinsame Basis ist nicht dasselbe wie gleiche Relevanz - Die Cluster beschreiben Struktur - sie sind keine Prognosen und keine Beratung