【机器学习】一文掌握逻辑回归全部核心点(下)。

1、引言

接着上篇《【机器学习】一文掌握逻辑回归全部核心点(上)。》我们继续来聊逻辑回归的核心要点。

2、逻辑回归核心点

2.5 特征工程

2.5.1 特征缩放

• 归一化（Normalization）：将数据视为向量，再将向量除以其范数（通常采用L2范数），有量纲，对应sklearn中normalize方法。它针对数据集中单个样本进行缩放，适合依赖样本间相似性的算法。但会改变数据集中特征数值的分布，因此不适合依赖特征预测的算法。

• 标准化（Standardization）：对数据大小按照标准方法进行调整，使值位于特定范围内，无量纲。这主要针对数据集中单个特征进行缩放。标准化方法有两种：

  • Min-Max标准化：最大-最小值区间缩放，即减去最小值，再除以极差。标准化后数据位于[0,1]内，无量纲，对应sklearn中minmax_scale方法。
  • Z-score标准化：即减去均值，再除以标准差。这是最常用的标准化方法。

• 特征缩放的优势：

  • 帮助梯度下降法更快速地收敛。
  • 避免