本文介绍了机器学习中常见的数据预处理技术——归一化、标准化以及正则化的概念和应用。归一化将特征范围缩放到[0,1]或[-1,1]，常用于评分系统；标准化则使数据具有零均值和单位方差，适合多种机器学习算法。正则化用于防止过拟合，L1正则化可得到稀疏模型，L2正则化则适用于不适定问题。"
132852878,19687570,使用CGAL库进行点云平滑编程实践,"['点云处理', '计算机图形学', '编程', 'CGAL库']
经常可以看到归一化，标准化和正则化在机器学习中出现，下面是一个用于区分它们的简短介绍
归一化(Normalization)
归一化将特征的范围归于[0,1]区间:
如果数据没有反常值的化它会很有用，比如，在一个推荐系统中，用户打分是{1,2,3,4,5}这种有限的集合
在有些场景下，我们更喜欢使用零均值化(zero-mean)将数据映射到像[-1,1]这样的区间，然后我们可以选择均值归一化( mean normalization)，这样我们就可以更方便的使用矩阵分解(matrix factorization)
标准化(Standardization)
标准化被广泛的用于很多机器学习的预处理过程中，用来将特征零均值化(zero-mean)和单位方差法(unit-variance)
最低0.47元/天 解锁文章
7450
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
