Min-Maks Normalizasyon Hesaplama

İstatistikSon güncelleme: 22 Ağustos 2026

Min-maks normalizasyon, bir değişkenin tüm değerlerini en küçük gözlemin 0, en büyük gözlemin 1 olduğu ortak bir aralığa taşıyan doğrusal bir dönüşümdür. Farklı birimlerdeki değişkenleri (yaş ile gelir, puan ile süre) aynı ölçeğe getirdiği için uzaklık temelli yöntemlerde — k-en yakın komşu, k-ortalamalar kümeleme, yapay sinir ağları — neredeyse zorunlu bir ön işleme adımıdır.

Bu araç veri setinizi istediğiniz [a, b] aralığına ölçekler, her gözlemin ham değerini, birim aralıktaki karşılığını, ölçeklenmiş değerini ve z skorunu aynı tabloda gösterir. Ayrıca aykırı değerlerin normalizasyonu nasıl bozduğunu sayıyla ortaya koyar: tek bir uç gözlem, geri kalan verinin ölçeğin dar bir bandına sıkışmasına yol açar ve bu, standartlaştırmada (z skoru) yaşanmayan bir sorundur.

Sayıları virgül, boşluk veya alt alta yazabilirsiniz. Ondalık ayırıcı olarak virgül kullanabilirsiniz (3,14).
Dönüşüm sonrası en küçük gözlemin alacağı değer. Klasik normalizasyonda 0'dır.
Dönüşüm sonrası en büyük gözlemin alacağı değer. Sinir ağlarında −1 ile 1 aralığı da yaygındır.

Min-Maks Normalizasyon Formülleri

Birim aralık [0, 1]:   x′ = (x − min) / (maks − min)
İstenen aralık [a, b]: x″ = a + (b − a) · (x − min) / (maks − min)
Açıklık:               R = maks − min
Ters dönüşüm:          x = min + (x″ − a) · R / (b − a)
Normalize ortalama:    x̄′ = (x̄ − min) / R
Normalize sapma:       s′ = s / R
Karşılaştırma (z):     z = (x − x̄) / s

Formülün paydası veri açıklığıdır; bu yüzden tüm ölçek yalnızca iki gözleme — en küçük ve en büyük değere — bağlıdır. Tek bir uç gözlem tüm dönüşümü etkiler, standartlaştırmada ise ölçek n gözlemin tamamından gelir.

Nasıl Hesaplanır?

  1. Ölçeklemek istediğiniz değerleri kutuya yapıştırın; virgül, boşluk veya alt alta yazım kabul edilir.
  2. Hedef aralığı belirleyin: klasik normalizasyon için a = 0 ve b = 1, tanh çıkışlı sinir ağları için a = −1 ve b = 1 seçilir.
  3. Dönüştürülmüş değerler tablosunda her gözlemin ham değerini, birim aralıktaki karşılığını ve ölçekli değerini karşılaştırın.
  4. Aykırı değer uyarısını okuyun: uç gözlem varsa kalan verinin hedef aralığın yüzde kaçlık bandına sıkıştığı sonuç kartında yazılıdır.
  5. Önce ve sonra histogramlarını yan yana inceleyin; şeklin aynı kalması dönüşümün doğrusal olduğunu doğrular.
  6. Modelinizde kullanacaksanız min ve maks değerlerini not edin — test verisine ve yeni gözlemlere aynı iki sayıyı uygulamalısınız.

Örnek Hesaplamalar

Aykırı değerli seride sıkışma

Min 12, maks 90 ve açıklık 78'dir; 25 değeri (25 − 12)/78 = 0,1667'ye taşınır. 90 aykırı değer olduğu için kalan 9 gözlem 0–1 ölçeğinin yalnızca %55,1'lik bandına sıkışır ve normalize ortalama 0,2846'da kalır; aynı uç gözlemin z skoru ise yalnızca 2,38'dir.

Örneklem büyüklüğü (n): 10 · En küçük değer (min): 12,00 · En büyük değer (maks): 90,00

Sinir ağı için −1 ile 1 aralığı

Min 20, maks 80 ve açıklık 60'tır; 50 değeri önce (50 − 20)/60 = 0,5 birim değerine, ardından −1 + 2·0,5 = 0,0000 ölçekli değerine dönüşür. Simetrik veride normalize ortalama tam merkezde, 0,0000'da çıkar.

Örneklem büyüklüğü (n): 9 · En küçük değer (min): 20,00 · En büyük değer (maks): 80,00

Sınav puanlarını 0–100 ölçeğine taşıma

46 puanlık açıklık 100 birime yayılır: en düşük puan 34 → 0, en yüksek puan 80 → 100 olur ve 58 puanı 100·(58 − 34)/46 = 52,1739 değerine karşılık gelir. Aykırı değer bulunmadığı için gözlemler ölçeğin tamamına yayılır.

Örneklem büyüklüğü (n): 9 · En küçük değer (min): 34,00 · En büyük değer (maks): 80,00

Sıkça Sorulan Sorular

Min-maks normalizasyon ile standartlaştırma (z skoru) arasındaki fark nedir?
Min-maks normalizasyon veriyi sabit bir [a, b] aralığına sıkıştırır ve ölçeği yalnızca en küçük ile en büyük gözlemden alır. Standartlaştırma ise ortalamayı 0, standart sapmayı 1 yapar ve tüm gözlemleri hesaba katar; sonuçta değerlerin üst sınırı yoktur. Sınırlı bir aralık gerektiğinde (görüntü pikselleri, sigmoid girişleri) normalizasyon, aykırı değer varlığında ve istatistiksel modellerde standartlaştırma tercih edilir.
Aykırı değer varsa min-maks normalizasyon kullanılabilir mi?
Kullanılabilir ama sonuç yanıltıcı olur. Tek bir uç gözlem ölçeğin bir ucunu tek başına belirlediğinden geri kalan veri dar bir banda sıkışır ve gözlemler arasındaki farklar görünmez hâle gelir. Bu durumda aykırı değeri önce açıklamak, dirençli ölçekleme (medyan ve IQR) kullanmak ya da yüzdelik sınırlarla kırpma (winsorization) uygulamak daha doğrudur.
Normalizasyon veriyi normal dağılıma çevirir mi?
Hayır. İsim benzerliği yaygın bir yanılgıya yol açar: min-maks normalizasyon doğrusal bir ölçek değişimidir, dağılımın biçimini değiştirmez. Çarpıklık ve basıklık dönüşümden sonra aynı kalır. Dağılımı normale yaklaştırmak için logaritma, karekök veya Box-Cox gibi doğrusal olmayan dönüşümler gerekir.
Test verisini kendi min-maks değeriyle ölçekleyebilir miyim?
Hayır, bu veri sızıntısıdır ve modelin gerçek performansını olduğundan iyi gösterir. Doğru yaklaşım min ve maks değerlerini yalnızca eğitim setinden hesaplayıp aynı iki sayıyı doğrulama ve test setine uygulamaktır. Scikit-learn'de bu, MinMaxScaler nesnesinin eğitim setinde fit edilip test setinde yalnızca transform edilmesine karşılık gelir.
Excel'de min-maks normalizasyon nasıl yapılır?
Veri A2:A100 aralığındaysa B2 hücresine =(A2-MİN($A$2:$A$100))/(MAK($A$2:$A$100)-MİN($A$2:$A$100)) yazıp aşağı kopyalamak yeterlidir. Farklı bir [a, b] aralığı için formül =a+(b-a)*(A2-MİN(...))/(MAK(...)-MİN(...)) biçimini alır. Mutlak başvuru işaretlerini ($) unutmak en sık yapılan hatadır.
Hangi yöntemlerde ölçekleme zorunludur?
Uzaklık ya da gradyan temelli yöntemlerde zorunludur: k-en yakın komşu, k-ortalamalar, destek vektör makineleri, temel bileşenler analizi ve yapay sinir ağları. Karar ağaçları, rastgele orman ve gradyan artırma gibi bölme temelli yöntemler ise ölçekten etkilenmez; bu modellerde normalizasyon gereksiz bir adımdır.