在数据分析和机器学习中，数据归一化是一个关键步骤，能够消除量纲影响，提高梯度下降法的收敛速度。本文通过房价预测例子展示了归一化前后的最优解寻解过程，解释了为何归一化对于梯度下降法至关重要。并介绍了线性函数归一化、零均值标准化和非线性归一化（包括对数变换、三角函数和sigmoid函数）等方法及其适用场景。
数据分析过程中，在训练模型之前，需要对特征进行归一化处理，数据的归一化作用主要有两个：去掉量纲，使得指标之间具有可比性；将数据限制到一定区间，使得运算更为便捷。一般在使用梯度下降法求参数的时候，都会采用归一化处理，其实本讲的内容可以参考我之前的机器学习讲义—梯度下降算法之五。
下面再以房价预测的例子来说明一下归一化的作用。以预测房价为例，自变量为房间数(x1)、面积大小(x2)，因变量为房价。那么可以得到的公式为：
y=θ1x1+θ2x2
y=θ1x1+θ2x2
其中，x1代表房间数，θ1代表x1变量前面的系数；x2代表面积，θ2代表x2变量前面的系数。
下面两张图(损失函数的等高线)代表数据是否归一化的最优解寻解过程：
未归一化：
归一化之后：
在寻找最优解的过程，当数据没有归一化的时候，面积数的范围可以
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
