Artigo explicativo · apuração em 19/11/2026.
Normalização ajusta variáveis numéricas que têm amplitudes distintas para uma escala comum. Isso ajuda a evitar que diferenças de magnitude prejudiquem a combinação dos atributos durante a modelagem, embora nem todo algoritmo exija esse processamento. [1] [2]
Na normalização min-max, cada valor é reescalado linearmente para um intervalo definido, como de 0 a 1. A transformação considera o valor mínimo e o máximo da variável; por isso, o resultado depende dos limites observados no conjunto de dados. [1] [2]
A padronização por escore Z representa cada valor conforme sua distância da média, medida em desvios padrão. Assim, em vez de restringir os dados a um intervalo de valores fixo, expressa a posição relativa de cada observação na distribuição da variável. [1] [2]
Sem ajuste de escala, atributos com amplitudes muito diferentes podem fazer com que o modelo dê peso excessivo aos de maior amplitude. Ainda assim, a necessidade e o método apropriado dependem das características dos dados e do algoritmo: alguns modelos fazem seu próprio redimensionamento, enquanto outros requerem normalização antes do treinamento. [1] [2]
Fontes: [1] Numerical data: Normalization | Machine Learning | Google for Developers - https://developers.google.com/machine-learning/crash-course/numerical-data/normalization (data de publicação não informada) · consulta em 19/11/2026 [2] Normalize Data: Component Reference - Azure Machine Learning - https://learn.microsoft.com/en-us/azure/machine-learning/component-reference/normalize-data?view=azureml-api-2 (data de publicação não informada) · consulta em 19/11/2026
