Alle Herausforderungen
Einfach 0 gelöst 0% Erfolgsquote

Z-Score-Standardisierung

Zentriere ein Merkmal auf 0 und skaliere es auf eine Standardabweichung von 1.

Das lernst du

  • Mittelwert und Standardabweichung berechnen
  • Ein Merkmal zentrieren und skalieren
  • Varianz null behandeln

Problem

Die Standardisierung skaliert ein Merkmal auf Mittelwert 0 und Standardabweichung 1, womit viele Modelle (und der Gradientenabstieg) am besten arbeiten:

z = (x - mean) / std

Verwende die Populations-Standardabweichung: std = √(Σ(x - mean)² / n). Ist std gleich 0 (alle Werte gleich), gib für jeden Wert 0 zurück.

Implementiere z_scores(values).

Eingabe

values: Die Werte eines Merkmals.

Ausgabe

Gib den Z-Score jedes Werts in derselben Reihenfolge zurück.

Einschränkungen

1 ≤ Länge ≤ 10.000

-1.000.000 ≤ jeder Wert ≤ 1.000.000

Beispiele

Beispiel 1
Eingabe:
values = [2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0]

Erwartete Ausgabe:
expected = [-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0]
Eingabe:
std::vector<double> values = {2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0};

Erwartete Ausgabe:
std::vector<double> expected = {-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0};
Eingabe:
double[] values = new double[] {2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0};

Erwartete Ausgabe:
double[] expected = new double[] {-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0};

Erläuterung

Der Mittelwert ist 40 / 8 = 5 und die Populations-Standardabweichung √(32 / 8) = 2, also 2 → (2 - 5) / 2 = -1.5, 4 → -0.5, 5 → 0, 7 → 1 und 9 → 2. Ergebnis: [-1.5, -0.5, -0.5, -0.5, 0, 0, 1, 2].

Beispiel 2
Eingabe:
values = [3.0, 3.0]

Erwartete Ausgabe:
expected = [0.0, 0.0]
Eingabe:
std::vector<double> values = {3.0, 3.0};

Erwartete Ausgabe:
std::vector<double> expected = {0.0, 0.0};
Eingabe:
double[] values = new double[] {3.0, 3.0};

Erwartete Ausgabe:
double[] expected = new double[] {0.0, 0.0};

Erläuterung

Beide Werte entsprechen dem Mittelwert, also ist die Standardabweichung 0 und beide Z-Scores sind 0.

So gehst du vor

Versuch es zuerst allein und öffne dann einen Hinweis nach dem anderen.

Hinweis 1

Du brauchst den Mittelpunkt und die Streuung des Features, also berechne zuerst den Mittelwert.

Hinweis 2

Verwende die Populations-Standardabweichung und transformiere dann jeden Wert danach, wie weit er vom Mittelwert entfernt ist.

Hinweis 3

Wenn alle Werte gleich sind, ist die Streuung null, also sollte jeder standardisierte Wert null sein.

Erwartete Komplexität

Zeit O(n), zusätzlicher Speicher O(1)

Referenzen

Diese Aufgabe wurde für CodeUtility angepasst. Beachte die oben genannten Vorgaben und Einschränkungen.

Die beste bestandene Lösung jedes Coders. Schnellere, sparsamere und besser bewertete Lösungen stehen weiter oben.

Noch keine bestandene Lösung. Löse sie und hol dir Platz eins.

Von anderen lernen

Community-Lösungen

Noch keine veröffentlichten Lösungen. Löse die Aufgabe und teile als Erster eine Lösung.