【转载】哪些机器学习算法需要归一化

Part 1：

机器学习中需要归一化的算法有SVM,逻辑回归，神经网络，KNN,线性回归，而树形结构的不需要归一化，因为它们不关心变量的值，而是关心变量分布和变量之间的条件概率，如决策树，随机森林，对于树形结构，它的数值缩放不影响分裂点的位置，对树模型的结构不造成影响。树模型的构造是通过寻找最优分裂点构成的，而且树模型不能进行梯度下降，因为树模型是阶跃的，阶跃是不可导的，并且求导没意义，也不需要归一化。
2、对于那些需要归一化的模型，主要是因为特征值相差很大时，运用梯度下降，损失等高线是椭圆形，需要进行多次迭代才能达到最优点，如果进行归一化了，那么等高线就是圆形的，促使SGD往原点迭代，从而导致需要迭代次数较少。

3、归一化的方法。
线性函数归一化，对原始数据进行线性变换，使结构映射到0，1范围内，归一化的公式是，Xnorm=X-Xmin/（Xmax-Xmin）
0均值归一化，原始数据映射到均值为0，标准差为1的分布上，假设 均值为u，标准差为r,归一化的公式就是（x-u）/r
对数函数转换：
y=log10(x)
反余切函数转换
y=arctan(x)*2/pi

4、归一化的目的：
1、加快梯度下降求解最优解的速度
2、归一化有可能提高精度
5、标准化和归一化的区别
标准化是依照特征矩阵的列处理数据，其通过求z-score的方法，将样本的特征值转换到同一量纲下。
标准化在于提高迭代速度，降低不同维度之间影响权重不一致的问题。
归一化，依据特征矩阵的行处理数据，目的在于样本向量点乘运算或其他核函数计算相似性时，拥有统一的标准，也就是说转化为单位向量。

Part1原文链接：https://blog.csdn.net/u014535528/article/details/82977653

---

Part 2：

哪些机器学习算法不需要做归一化？

概率模型（树形模型）不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、RF。而像Adaboost、SVM、LR、Knn、KMeans之类的最优化问题就需要归一化。

Part2原文链接：https://blog.csdn.net/JonyHwang/article/details/80983468