谷歌机器学习课程笔记

1，特征缩放，有以下几大好处：

a，帮助梯度下降法更快的收敛；

b，帮助避免“nan”陷阱，如果模型中某个值为nan（即如果某个值在训练期间超出浮点数精度时），模型中其他数值也会因为这个数值导致变成nan；

c，确保某个特征的权重不那么大，不然模型可能对范围比较大的特征投入比较大的精力。

2，特征缩放的方法：

a，特征减去均值或者最小值，除以范围（即最大值减最小值）；

b，特征减去均值除以方差。

3，如何处理极端值的情况，极端值即大部分点在某个范围呢，小部分点离该范围较远，比如有一个非常长的尾巴：

a，对每个特征取对数，log（x+1）；

b，大于某个值时，将大于的值都赋值为该值，这样造成了在阈值处有一个小峰值；

c，分箱，分箱有两种方法，一种是均匀分箱，一种是通过分位数分箱，按照分位数分箱，这会确保每个箱子内的样本点数量是一样的，按照分位数分箱无需考虑离群值。

4，垃圾数据包括以下几个方面；

a，遗漏值，某个特征的值缺失；

b，重复值；

c，不良标签，有个把标签给弄错了；

d，不良特征，把特征给记录错了。