一、特征放缩
1. 目标:
将每个特征 1 ≤ x_j ≤ 1
几乎无坏处,可多尝试特征放缩
2. 方法
(1) 除以最大值
(2) 均值正常化
(3) z 分数归一化
二、判断是否收敛
学习曲线 / 自动收敛测试
三、选择合适的学习率
四、特征工程
目标:选择合适的特征
特征工程: 利用知识或直觉设计新的特征(通常通过转换或结合原始特征),使算法作出更准确的预测。
-
多元线性回归的特征工程 —— 多项式回归的新算法:
次方/开根号
库学习:sciki
几乎无坏处,可多尝试特征放缩
特征工程: 利用知识或直觉设计新的特征(通常通过转换或结合原始特征),使算法作出更准确的预测。
次方/开根号
库学习:sciki