归一化在机器学习中至关重要，它可以加速梯度下降的求解过程，提高精度，尤其是对于依赖距离计算的算法如KNN。StandardScaler是一种常用的归一化方法，将数据转换为均值为0，标准差为1。线性函数、零均值标准化和非线性归一化（如对数、三角函数、sigmoid）是常见的归一化技术，适用于不同的场景。
文章目录
为什么要进行归一化？
机器学习模型被互联网行业广泛应用，一般做机器学习应用的时候大部分时间是花费在特征处理上，其中很关键的一步就是对特征数据进行归一化，为什么要归一化呢？
维基百科给出的解释：
- 归一化后加快了梯度下降求最优解的速度；
如果机器学习模型使用梯度下降法求最优解时，归一化往往非常有必要，否则很难收敛甚至不能收敛。
- 归一化有可能提高精度；
一些分类器需要计算样本之间的距离（如欧氏距离），例如KNN。如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖（比如这时实际情况是值域范围小的特征更重要）。
我的理解：
- 去掉量纲，使得各指标之间具有可比性
- 将数据先知道一定区间内，使得运算便捷
下面再以房价预测的例子来说明一下归一化的作用。以预测房价为例，自变量为房间数（x1）、面积大小（x2），因变量为房价。那么可以得到的公式为：
y=θ1x1+θ2x2
y=θ1x1+θ2x2
其中，x1代表房间数，θ1代表x1变量前面的系数；x2代表面积，θ2代表x2变量前面的系数。
下面两张图（损失函数的等高线）代表
最低0.47元/天 解锁文章
1118
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
