为什么要数据归一化Feature Scaling
-
由于原始数据值的范围差异很大,因此在某些机器学习算法中,如果没有归一化,目标函数将无法正常工作。例如,许多分类器通过欧几里得距离来计算两点之间的距离。如果其中一个要素的取值范围较广,则该距离将受此特定要素支配。因此,所有特征的范围应归一化,以使每个特征对最终距离的贡献大致成比例
-
可以使得梯度下降收敛更快
-
如果将正则化用作损失函数的一部分,则数据归一化也很重要(以便适当地对系数进行惩罚)
归一化的优点
- 提升模型的收敛速度
- 提高模型精度
常用方法
- 均值方差归一化 Zero-mean normalization
x = x − x ˉ σ x = \frac{x-\bar{x}}{\sigma } x=σx−xˉ
又叫标准化Standardization
,处理后的数据满足标准正态分布
可见,归一化包含标准化,标准化只是归一化的一种
- Min-max normalization
x = x − x