本文通过实验探讨归一化和标准化在特征压缩中的应用，以及它们如何影响不同分类器的性能。实验涉及多种分类器和数据集，包括Sonar数据集，结果显示，特征压缩方法的选择可能显著影响模型准确率，而且StandardScaler并不总是最佳选择。文章还介绍了其他压缩方法和PCA的影响，并提出压缩方法应被视为重要超参数。
[译] 对比归一化和标准化 —— 量化分析
- 原文地址：Normalization vs Standardization — Quantitative analysis
- 原文作者：Shay Geller
- 译文出自：翻译计划
- 本文永久链接：github.com/xitu/gold-m…
- 译者：ccJia
- 校对者：Fengziyin1234, portandbridge
停止使用 Sklearn 提供的 StandardScaler 作为你的特征压缩方法甚至可以让你训练好的模型有 7% 的准确率提升。
每一个 ML 的从业者都知道特征的压缩是一个重要的议题(更多)
两个最热议的方法就是归一化和标准化。归一化通常来说是将数值压缩到 [0,1] 范围内。标准化指的是重新调整数据，使数据到均值为 0，标准差为 1。
本篇博客希望通过一些实验回答以下的问题：
- 我们总是需要压缩特征吗？
- 是否有一个最好的压缩方法？
- 不同的压缩技术是如何影响不同的分类器？
- 压缩方法是否也应该被考虑为一个重要的超参？
我将分析多个不同压缩方法作用于不同特征的实验结果。
内容总览
最低0.47元/天 解锁文章
1697
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
