[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。
![5693790a462aa3e89271dc1636247601.png](https://i-blog.csdnimg.cn/blog_migrate/846aedfcd9e4b59c630a3fe94aaec939.jpeg)
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