Masinaõppe valdkonnas viitab "korgimine" andmestikus muutuja või funktsiooni maksimaalse või minimaalse piiri seadmise protsessile. Seda tehnikat kasutatakse sageli kõrvalekallete või äärmuslike väärtuste vältimiseks mudeli tulemuste viltu ja selle üldise jõudluse mõjutamiseks.
Pikastamine on masinõppe osas oluline, kuna kõrvalekalded võivad olla märkimisväärselt mõju mudeli täpsusele ja usaldusväärsusele. Ülevõtted on andmepunktid, mis erinevad oluliselt ülejäänud andmestikust ja võivad moonutada mustreid ja suhteid, mida mudel üritab õppida. Neid kõrvalekaldeid piirates saame tagada, et meie mudel on tugevam ja suudab paremini teha täpseid ennustusi.
Andmekogumis on kõrvalekallete korvistamiseks mitu võimalust. Üks levinum meetod on seadistada muutuja väärtustele kõva kork, kas vähendades mis tahes väärtused teatud läve kohal või alla, või asendades need läviväärtusega ise. Teine lähenemisviis on kasutada pehme korgi, kus kõrvalekalded on muundatud või muundatud, et neid ülejäänud andmetele lähemale viia.
Pikandamist saab kasutada andmestikus nii numbrilistele kui ka kategoorilistele muutujatele. Numbriliste muutujate puhul võib korkitamine aidata tagada, et andmete jaotamine on tihedamalt kooskõlas mudeli eeldustega. Kategooriliste muutujate jaoks võib korkitamine aidata vähendada haruldaste või ebaharilike kategooriate mõju, millel ei pruugi olla piisavalt usaldusväärseid andmeid.
Üldiselt on korgimine oluline tehnika andmete eeltöötlemiseks ja mudelite toimimise parandamiseks. Seadistades kõrvalekalde ja äärmuslike väärtuste piiranguid, saame aidata luua täpsemaid ja usaldusväärsemaid mudeleid, mis on paremini võimelised uutele andmetele üldistama. Nii et järgmine kord, kui töötate masinõppe mudeliga, kaaluge kattekatte rakendamist, et tagada teie tulemuste võimalikult täpne ja usaldusväärne.