Z-Score

Wprowadzenie

Z-Score (zwany też Standard Score) to statystyczna miara, która mówi, ile odchyleń standardowych dana wartość znajduje się od średniej arytmetycznej zbioru danych. Jest jednym z najważniejszych narzędzi w analizie danych i uczeniu maszynowym.

Wzór Z-Score

Z-Score oblicza się według wzoru:

Z = (X − μ) / σ

gdzie:

• X – wartość obserwowana
• μ – średnia arytmetyczna
• σ – odchylenie standardowe

Zastosowania Z-Score w AI i Data Science

• Standaryzacja danych (Feature Scaling)
• Detekcja anomalii i outlierów
• Porównywanie wartości z różnych rozkładów
• Przygotowanie danych do modeli (np. regresja logistyczna, SVM, sieci neuronowe)
• Ocena wyników modeli (np. w testach statystycznych)

Interpretacja wyników

• Z = 0 → wartość równa średniej
• Z = 1 → wartość o 1 odchylenie standardowe powyżej średniej
• Z = -2 → wartość o 2 odchylenia poniżej średniej
• |Z| > 3 → bardzo rzadkie wartości (często traktowane jako anomalie)

Zalety i wady

• Zalety: zachowuje rozkład danych, przydatny przy rozkładach normalnych, łatwy do interpretacji
• Wady: wrażliwy na outliery, nie działa dobrze przy rozkładach silnie skośnych

Najlepsze praktyki (2026)

• Stosowanie Z-Score przed algorytmami wrażliwymi na skalę (np. KNN, PCA, Neural Networks)
• Łączenie z Robust Scaling przy danych z dużą liczbą outlierów
• Używanie w pipeline’ach scikit-learn (StandardScaler)
• Sprawdzanie rozkładu danych przed standaryzacją

Powiązane pojęcia