特征缩放解释:
数据中某一维度的数值过大或过小时,将他们尽量缩放到[-1,1]或[0,1]之间.所谓特征的尺度,即代表该特征的维度上的数值大小.
特征缩放作用:
如K-NN算法中,如果某一维度上的值比其维度的大,则在计算样本欧式距离时,将会被该维度的值所主导.
如梯度下降算法中,将所有特征的尺度尽量缩放到[-1,1]之间,能够减少迭代的次数,即加快收敛
特征缩放的方法;
(1) x′=x−x¯σ
(2)
x
′=x−min(x)max(x)−min(x)
特征缩放解释:
数据中某一维度的数值过大或过小时,将他们尽量缩放到[-1,1]或[0,1]之间.所谓特征的尺度,即代表该特征的维度上的数值大小.
特征缩放作用:
如K-NN算法中,如果某一维度上的值比其维度的大,则在计算样本欧式距离时,将会被该维度的值所主导.
如梯度下降算法中,将所有特征的尺度尽量缩放到[-1,1]之间,能够减少迭代的次数,即加快收敛
特征缩放的方法;
(1) x′=x−x¯σ
(2)
x
′=x−min(x)max(x)−min(x)