6特征缩放

6.1/2.特征缩放

 如果用原来的数据的话图形比较扁，有可能会多次反弹，而特征缩放了以后就是圆形就比较好梯度下降了。

如何特征缩放

1.除以最大值

对于原来300~2000除以最大的2000后变道0.15~1，同理0~5变到0~1

2.均值正常化

对于原来的函数缩放让他们既有正值又有负值，通常在-1~1之间

先求x1的均值μ1，下一步是求之后的规范化x1，得到-0.18到0.82，同理求x2

3.Z分数归一化

需要计算每个特征的标准差μ，即正态分布（钟形曲线）（高斯分布）的标准差

特征值为σ

6.3检查梯度下降是否收敛

6.4学习率的选择

左上的图函数不是趋于收敛说明有bug

左下说明学习率过大

在调试中可以把学习率设为比较小，但是这不是训练时的好的选择

可以十倍十倍尝试0.001，0.01，0.1，1

6.5特征工程

先是x1为长度x2为宽度，可以得出第一个方程

然后x3为x1乘x2即面积，这样又多了一个评估的指标，这样算法更精确

6.6多项式回归

可以有很多种模型

scikit-learn：Python 中的机器学习 — scikit-learn 1.5.1 文档https://scikit-learn.org/stable/index.htmlscikit-learn是一个机器学习的开源库