Feature Engineering
Kategorik encoding, scaling, normalizasyon, feature selection, feature oluşturma, pipelines
1Az sayıda farklı kategoriye (10'dan az) sahip nominal kategorik bir değişken için hangi encoding türü kullanılmalıdır?
Az sayıda farklı kategoriye (10'dan az) sahip nominal kategorik bir değişken için hangi encoding türü kullanılmalıdır?
Cevap
One-Hot Encoding, her kategori için yapay bir sıralama getirmeden ikili bir sütun oluşturduğundan az kategorili nominal değişkenler için idealdir. Sayılar (0, 1, 2...) atayan Label Encoding'in aksine, One-Hot modelin kategoriler arasında var olmayan bir sıralı ilişkiyi yorumlamasını engeller.
2StandardScaler ile MinMaxScaler arasındaki temel fark nedir?
StandardScaler ile MinMaxScaler arasındaki temel fark nedir?
Cevap
StandardScaler verileri standart sapma 1 (z-score) ile 0 etrafında merkezlerken, MinMaxScaler verileri sabit bir aralıkta, genellikle [0, 1] arasında normalize eder. StandardScaler ortalama ve standart sapma kullandığı için aykırı değerlere daha az duyarlıdır, MinMaxScaler ise uç değerlerden güçlü şekilde etkilenebilir.
3Veri önemli aykırı değerler içerdiğinde hangi scaler tercih edilmelidir?
Veri önemli aykırı değerler içerdiğinde hangi scaler tercih edilmelidir?
Cevap
RobustScaler ortalama ve standart sapma yerine medyan ve çeyrekler arası açıklık (IQR) kullanır, bu da onu aykırı değerlere karşı dayanıklı yapar. Uç değerler bu istatistikleri önemli ölçüde etkilemez, oysa StandardScaler veya MinMaxScaler aykırı değerlerden güçlü şekilde önyargılı olabilir.
Label Encoding nedir ve ne zaman kullanmak uygundur?
Target Encoding hangi soruna neden olabilir ve nasıl önlenebilir?
+19 mülakat soruları
Diğer Data Science & ML mülakat konuları
Python Temelleri
Python Nesne Yönelimli Programlama
Python Veri Yapıları
Git Temelleri
SQL Temelleri
NumPy Temelleri
Pandas Temelleri
Jupyter & Google Colab
SQL Joins ve Gelişmiş Sorgular
İleri Pandas
Matplotlib & Seaborn ile Görselleştirme
Plotly ile Etkileşimli Görselleştirmeler
Tanımlayıcı İstatistik
Çıkarımsal İstatistik
Web Scraping
BigQuery & Cloud Data
Denetimli ML: Regresyon
Denetimli ML: Sınıflandırma
Karar Ağaçları ve Topluluk Yöntemleri
Denetimsiz ML
ML Pipeline'ları & Doğrulama
Zaman Serileri & Tahminleme
Deep Learning Temelleri
TensorFlow & Keras
CNN ve görüntü sınıflandırma
RNN ve Diziler
Transformers ve Attention
NLP ve Hugging Face
GenAI ve LangChain
MLOps ve Dağıtım
Bir sonraki mülakatın için Data Science & ML'de uzmanlaş
Tüm sorulara, flashcards'a, teknik testlere, code review alıştırmalarına ve mülakat simülatörlerine eriş.
Ücretsiz başla