분위수 변환(Quantile Transformation)이란? AI 특징값을 순위로 다시 배치하는 방법
분위수 변환은 학습 데이터의 순위와 경험적 누적분포를 이용해 수치 특징을 균등분포나 정규분포에 대응시키는 비모수 전처리입니다. 파워 변환·로버스트 스케일링과의 차이, 분위수 수·범위 밖 값·데이터 누수 점검법을 쉽게 설명합니다.
파워 변환(Power Transformation)이란? AI 특징 분포의 왜도와 분산을 조정하는 방법
파워 변환은 수치 특징에 Yeo-Johnson 또는 Box-Cox 같은 비선형 함수를 적용해 분포의 왜도를 줄이고 분산을 안정시키는 전처리입니다. 표준화·로그·분위수 변환과의 차이, 람다·양수 조건·데이터 누수 점검법을 쉽게 설명합니다.
최대 절댓값 스케일링(MaxAbs Scaling)이란? AI 특징값의 최대 크기를 1로 맞추는 방법
최대 절댓값 스케일링은 각 특징을 학습 데이터의 최대 절댓값으로 나눠 가장 큰 절댓값을 1로 맞추는 전처리입니다. 최소-최대·표준화·로버스트·L1·L2 정규화와의 차이, 희소 데이터·이상치·범위 밖 입력 점검법을 쉽게 설명합니다.
로버스트 스케일링(Robust Scaling)이란? AI 특징값을 중앙값과 IQR로 맞추는 방법
로버스트 스케일링은 학습 데이터의 중앙값을 빼고 사분위수 범위(IQR)로 나눠 이상치가 특징 척도에 미치는 영향을 줄이는 전처리입니다. 표준화·최소-최대·분위수 변환과의 차이, 데이터 누수·희소 행렬·분위수 설정 점검법을 쉽게 설명합니다.
표준화(Standardization)란? AI 특징값을 평균 0·표준편차 1로 맞추는 방법
표준화는 학습 데이터의 특징별 평균을 빼고 표준편차로 나눠 값의 중심과 척도를 맞추는 전처리입니다. 최소-최대·L1·L2·로버스트 스케일링과의 차이, 데이터 누수·이상치·희소 행렬·분산 0 특징 점검법을 쉽게 설명합니다.
최소-최대 스케일링(Min-Max Scaling)이란? AI 특징값을 0과 1 사이로 맞추는 방법
최소-최대 스케일링은 특징별 최솟값과 최댓값을 이용해 숫자를 0과 1 같은 정해진 범위로 옮기는 전처리입니다. L1·L2 정규화와 표준화의 차이, 이상치·데이터 누수·범위 밖 입력·상수 특징 점검법을 쉽게 설명합니다.
L1 정규화(L1 Normalization)란? AI가 벡터 절댓값의 합을 1로 맞추는 방법
L1 정규화는 벡터 성분의 절댓값 합으로 각 값을 나눠 전체 절댓값 합을 1로 맞추는 연산입니다. L2 정규화·L1 규제·확률 정규화와의 차이, 축과 영벡터 처리, 희소 데이터와 모델 변환 점검법을 쉽게 설명합니다.
L2 정규화(L2 Normalization)란? AI가 벡터 길이를 1로 맞추는 방법
L2 정규화는 벡터를 유클리드 노름으로 나눠 길이를 1로 맞추는 연산입니다. L1 정규화·표준화·레이어 정규화·L2 규제와의 차이, 축과 엡실론 설정, 임베딩 검색과 모델 변환 점검법을 쉽게 설명합니다.
국소 반응 정규화(Local Response Normalization)란? AI가 이웃 채널의 강한 반응을 조절하는 방법
국소 반응 정규화는 같은 위치의 이웃 채널 활성값을 보고 강한 반응의 크기를 조절하는 신경망 연산입니다. 배치·레이어·인스턴스·스펙트럴 정규화와의 차이, LRN 계산 순서와 설정값, 오래된 CNN·모델 변환 점검법을 쉽게 설명합니다.
스펙트럴 정규화(Spectral Normalization)란? AI 가중치의 가장 큰 증폭을 제한하는 방법
스펙트럴 정규화는 가중치 행렬의 가장 큰 특이값을 근사해 층의 최대 증폭을 제한하는 방법입니다. 가중치·배치·레이어 정규화와의 차이, 거듭제곱 반복 원리, 축·반복 횟수·체크포인트 점검법을 쉽게 설명합니다.
