Como funciona
Em ML, features com escalas muito diferentes podem distorcer o aprendizado. Por exemplo, "número de compras" (0-50) e "valor gasto" (0-50000). O modelo pode dar peso excessivo ao valor gasto apenas por ser maior.
Normalização min-max coloca valores entre 0 e 1. Padronização (z-score) coloca valores com média 0 e desvio padrão 1. Ambas resolvem o problema de escala.
Em IA de texto, normalização pode significar padronizar texto: converter para minúsculas, remover acentos, normalizar espaços. Isso garante que "Café" e "cafe" sejam tratados da mesma forma.
Exemplo pratico
Ao treinar um modelo que prevê churn de clientes, a feature "número de compras" (0-50) e "valor gasto" (0-50000) precisam ser normalizadas. Sem normalização, o modelo pode considerar "valor gasto" mais importante apenas porque os números são maiores.
Em processamento de texto, normalizar "São Paulo", "são paulo" e "SAO PAULO" para "sao paulo" garante que o modelo trate todas as variações como a mesma entidade.
Para que serve
Melhorar a convergência do treinamento e a qualidade do modelo. Sem normalização, o treinamento pode ser lento ou instável. Com normalização, o modelo aprende de forma mais eficiente e justa.
Para desenvolvedores, isso significa incluir normalização no pipeline de dados. Para cientistas de dados, significa escolher a técnica certa para cada tipo de dado.
Diferenca entre normalização e padronização
Normalização (min-max) coloca valores em um intervalo fixo, geralmente 0 a 1. Padronização (z-score) coloca valores com média 0 e desvio padrão 1, sem limite fixo. Use normalização quando precisar de valores limitados. Use padronização quando os dados tiverem outliers ou distribuição não uniforme.