本文探讨了数据标准化和归一化在机器学习中的重要性，包括提高模型精度、加速收敛速度。介绍了Z-score标准化和Min-Max缩放的适用场景，并指出在有异常值或考虑正则化时，标准化的优势更为明显。同时，文章指出在逻辑回归中，是否需要标准化取决于是否使用正则化，标准化还能帮助评估特征对样本标签的贡献度。
About Feature Scaling and Normalization
对特征的标准化使得特征重新度量（rescaled）具有性质均值为 μ = 0 \mu=0 μ=0
以及标准方差为 σ = 1 \sigma=1 σ=1
变换的形式为：
z = x − μ σ z=\frac{x-\mu}{\sigma} z=σx−μ
对特征进行标准化，使其以0为中心，标准差为1，这不仅在我们比较不同单位的测量值时很重要，而且也是很多机器学习算法的一般要求。
直观上，我们可以认为梯度下降是一个突出的例子(一种优化算法，常用于logistic回归，支持向量机，感知机，神经网络等);由于特征在不同的尺度上，某些权重可能比其他权重更新得更快，因为特征值 x j x_j xj在权重更新中起着重要作用
Δ w j
最低0.47元/天 解锁文章
扫一扫
2870
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
