正负数据如何归一化_归一化 vs 标准化 定量的分析

作者：Shay Gellerd

编译：ronghuaiyang

导读

不要再用sklearn中的StandarScaler作为默认的特征缩放方法了，别的方法可以给你7%的准确率提升！

每个搞机器学习的人都知道特征尺度是一个重要的问题。参考之前的文章。

讨论最多的两种缩放方法是归一化和标准化。归一化通常意味着将值重新划分为[0,1]的范围。标准化通常意味着缩放数据的均值为0，标准差为1(单位方差)。

在这个博客中，我做了一些实验，希望能够回答以下问题：

1. 我们应该在所有情况下都做缩放吗？
2. 有没有一种最好的缩放技术？
3. 不同的缩放技术如何影响不同的分类器？
4. 我们是否应该将缩放技术作为模型的一个重要超参数？

我将分析在多个实验设置中对特征应用不同缩放方法的实证结果。

0. 为什么么要讨论两者的区别？

首先，我试图理解归一化和标准化之间的区别。

因此，我遇到了Sebastian Raschka写的这个优秀的blog：https://sebastianraschka.com/Article