Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
ML-Anwender verbringen viel mehr Zeit damit, die Daten auszuwerten, zu bereinigen und zu transformieren. als Modelle zu erstellen. Daten sind so wichtig, dass dem Thema in diesem Kurs drei ganze Einheiten gewidmet sind:
In diesem Modul geht es um numerische Daten bedeutet Ganzzahlen oder Gleitkommawerte die sich wie Zahlen verhalten. Das heißt, sie sind additiv, zählbar, geordnet und so weiter. Im nächsten Modul geht es um kategorische Daten, die auch Zahlen enthalten können, die sich wie Kategorien verhalten. Im dritten Modul geht es darum, Bereiten Sie Ihre Daten vor, um qualitativ hochwertige Ergebnisse beim Training und bei der Bewertung sicherzustellen. für Ihr Modell erstellen.
Beispiele für numerische Daten:
Temperatur
Gewicht
Die Anzahl der Rehe, die in einem Naturschutzgebiet überwintern
Im Gegensatz dazu verwenden US-Postleitzahlen trotz 5- oder 9-stellige Zahlen sind, verhalten Sie sich nicht wie Zahlen und stellen Sie mathematische Beziehungen. Die Postleitzahl 40004 (Nelson County, Kentucky) ist nicht doppelt so hoch wie die Postleitzahl 20002 (Washington, D.C.). Diese Nummern Kategorien, insbesondere geografische Bereiche, und werden als kategorialen Daten verwendet werden.
[null,null,["Zuletzt aktualisiert: 2025-07-27 (UTC)."],[[["\u003cp\u003eThis module focuses on preparing numerical data, such as temperature or weight, for use in machine learning models.\u003c/p\u003e\n"],["\u003cp\u003eMachine learning practitioners spend significant time on data preparation tasks like cleaning and transformation.\u003c/p\u003e\n"],["\u003cp\u003eThe module covers techniques like feature scaling, outlier detection, and binning to improve data quality for model training.\u003c/p\u003e\n"],["\u003cp\u003eLearners should have a basic understanding of machine learning concepts before starting this module.\u003c/p\u003e\n"],["\u003cp\u003eCategorical data, like postal codes, will be addressed in a separate module due to its distinct characteristics and handling requirements.\u003c/p\u003e\n"]]],[],null,["| **Estimated module length:** 85 minutes\n| **Learning objectives**\n|\n| - Understand feature vectors.\n| - Explore your dataset's potential features visually and mathematically.\n| - Identify outliers.\n| - Understand four different techniques to normalize numerical data.\n| - Understand binning and develop strategies for binning numerical data.\n| - Understand the characteristics of good continuous numerical features.\n| **Prerequisites:**\n|\n| This module assumes you are familiar with the concepts covered in the\n| following module:\n|\n| - [Introduction to Machine Learning](/machine-learning/intro-to-ml)\n\nML practitioners spend far more time evaluating, cleaning, and transforming\ndata than building models.\nData is so important that this course devotes three entire units to the topic:\n\n- Working with numerical data (this unit)\n- [Working with categorical data](/machine-learning/crash-course/categorical-data)\n- [Datasets, generalization, and overfitting](/machine-learning/crash-course/overfitting)\n\nThis unit focuses on\n[**numerical data**](/machine-learning/glossary#numerical-data),\nmeaning integers or floating-point values\nthat behave like numbers. That is, they are additive, countable, ordered,\nand so on. The next unit focuses on\n[**categorical data**](/machine-learning/glossary#categorical-data), which can\ninclude numbers that behave like categories. The third unit focuses on how to\nprepare your data to ensure high-quality results when training and evaluating\nyour model.\n\nExamples of numerical data include:\n\n- Temperature\n- Weight\n- The number of deer wintering in a nature preserve\n\nIn contrast, US postal codes, despite\nbeing five-digit or nine-digit numbers, don't behave like numbers or represent\nmathematical relationships. Postal code 40004 (in Nelson County, Kentucky) is\nnot twice the quantity of postal code 20002 (in Washington, D.C.). These numbers\nrepresent categories, specifically geographic areas, and are considered\ncategorical data.\n| **Key terms:**\n|\n| - [Categorical data](/machine-learning/glossary#categorical-data)\n- [Numerical data](/machine-learning/glossary#numerical-data) \n[Help Center](https://support.google.com/machinelearningeducation)"]]
