Voor het normaliseren van je dataset met functies zoals Leeftijd, Inkomen en Opleidingsniveau, is het belangrijk om de juiste schaaltechniek te kiezen om de prestaties van je classificatiemodellen te verbeteren. Hieronder vind je uitleg en voorbeeldcode voor de drie genoemde schaaltechnieken: Min-Max Scaler, Standard Scaler en Robust Scaler. 1. Min-Max Scaler - Doel: Schaal alle functies naar een bereik tussen 0 en 1. - Toepassing: handig als je gegevens binnen een bekende range hebt en geen extreme outliers. ```python from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() X_scaled = scaler.fit_transform(X) # X is je feature matrix ``` 2. Standard Scaler - Doel: Zet functies om naar een standaard normale verdeling met gemiddelde 0 en standaarddeviatie 1. - Toepassing: geschikt wanneer je gegevens normaal verdeeld zijn, of als je model dat vereist. ```python from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_scaled = scaler.fit_transform(X) ``` 3. Robust Scaler - Doel: Schaal functies door gebruik te maken van de mediaan en de interkwartielafstand (IQR), waardoor outliers minder invloed hebben. - Toepassing: ideaal bij datasets met veel outliers, zoals inkomensgegevens. ```python from sklearn.preprocessing import RobustScaler scaler = RobustScaler() X_scaled = scaler.fit_transform(X) ``` **Aanbeveling:** - Voor inkomensgegevens, die vaak outliers bevatten, is RobustScaler meestal het beste. - Voor leeftijd en opleidingsniveau, afhankelijk van de verdeling, kan StandardScaler of MinMaxScaler geschikt zijn. - Het is belangrijk om de scaler alleen op de training data te passen en vervolgens dezelfde transformatie toe te passen op de testdata, om datalekken te voorkomen. **Samenvatting:** Gebruik de scaler die het beste past bij de verdeling en outlier-impact van je functies om de prestaties van je KNeighborsClassifier en SVC te optimaliseren.

Voor jouw dataset met klanttransacties (met functies: Leeftijd, Inkomen, Opleidingsniveau) en de gekozen algoritmes KNeighborsClassifier en SVC, is normalisatie essentieel omdat: - **KNeighborsClassifier**: Gebruikt afstandsberekeningen (zoals Euclidean distance) - **SVC**: Gebruikt kernel-functies die gevoelig zijn voor de schaal van features Hier zijn de drie belangrijkste schaaltechnieken met voorbeeldcode: ## 1. Min-Max Scaler ```python from sklearn.preprocessing import MinMaxScaler import pandas as pd # Voorbeeld data data = { 'Leeftijd': [25, 45, 35, 28, 50], 'Inkomen': [30000, 80000, 50000, 35000, 90000], 'Opleidingsniveau': [2, 4, 3, 2, 5] } df = pd.DataFrame(data) # Min-Max Scaler toepassen scaler = MinMaxScaler() scaled_data = scaler.fit_transform(df) # Omzetten naar DataFrame voor leesbaarheid scaled_df = pd.DataFrame(scaled_data, columns=df.columns) print(scaled_df) ``` **Uitleg**: Schaaalt alle waarden naar een bereik tussen 0 en 1. Ideaal voor KNeighborsClassifier. ## 2. Standard Scaler ```python from sklearn.preprocessing import StandardScaler # Standard Scaler toepassen scaler = StandardScaler() scaled_data = scaler.fit_transform(df) # Resultaat scaled_df = pd.DataFrame(scaled_data, columns=df.columns) print(scaled_df) print(f"Gemiddelden: {scaler.mean_}") print(f"Standaarddeviaties: {scaler.scale_}") ``` **Uitleg**: Zentert de data (gemiddelde = 0) en schaaalt naar variantie = 1. Uitstekend voor SVC. ## 3. Robust Scaler ```python from sklearn.preprocessing import RobustScaler # Robust Scaler toepassen scaler = RobustScaler() scaled_data = scaler.fit_transform(df) # Resultaat scaled_df = pd.DataFrame(scaled_data, columns=df.columns) print(scaled_df) ``` **Uitleg**: Gebruikt median en IQR, robuust tegen outliers. Goed als je dataset uitschieters bevat. ## Complete workflow voorbeeld: ```python from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier from sklearn.svm import SVC from sklearn.pipeline import Pipeline # Split data X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Maak pipelines met scaling knn_pipeline = Pipeline([ ('scaler', StandardScaler()), # Of MinMaxScaler() ('classifier', KNeighborsClassifier()) ]) svc_pipeline = Pipeline([ ('scaler', StandardScaler()), ('classifier', SVC()) ]) # Train modellen knn_pipeline.fit(X_train, y_train) svc_pipeline.fit(X_train, y_train) ``` ## Aanbeveling: - **Voor KNeighborsClassifier**: Min-Max Scaler of Standard Scaler - **Voor SVC**: Standard Scaler - **Bij outliers**: Robust Scaler Test verschillende schalers en vergelijk de modelprestaties met cross-validatie voor de beste resultaten.