原创文章，转载请说明本文来自：《老饼讲解-机器学习》 ml.bbbdata.com
目录
为什么有的人说，逻辑回归需要归一化，而有的人说逻辑回归不需要归一化呢？
他们说的都是对的，看完本文，你就知道为什么会有两种说法。
一、归一化对梯度下降的影响
我们先讲述不归一化对梯度下降法的影响，实际也就是逻辑回归需要归一化的主要原因。
因为逻辑回归往往在求解过程中，使用的是梯度下降之类的算法。
以下讨论以下面的梯度下降问题为基础：
求一组
,
令
最小，其中
的范围为[-10000,10000]，而
的范围为[-1,1]。
01、下降路径的影响
不做归一化的情况下，
的影响范围为10000，而
因此在调整同等步长的情况下，w1对w2的影响会更明显。
整个过程会成为：先调整w1，直到w1几乎不可调，再调整w2。只要迭代足够多次，这倒也没有问题。但明显的，w1,w2逐个调整比起w1,w2一起调整需要更多步数。
02、对步长设置的影响
(1) 解决不同变量需要不同步长
在梯度下降算法中，我们需要设置每次调整的步长，而不同变量需要不同步长。
对于w1，由于它的取值范围很多，微小的影响也对y影响很大，因此，我们可能设为0.00001，小步小步地调。
对于w2，我们只需设0.001可能就够了，
对于不同变量，我们需要调不同的步长，如果我们设为0.000001，则在调w2时明显过小，而设为0.001对调整w1又过大。这就麻烦了。
将所有变量的数据范围归一化到[0,1]，对所有变量步长就统一。
(2) 不同问题需要不同步长
另一方面，假设所有变量范围都一致，都是[-10000,10000]，那么我们设为0.000001，但对另一个问题，所有变量为[-1,1]，那我们设为0.001，则不同问题，我们还需要设置不同步长。
而不管原始数据范围是多少，我们统一将数据归一化为[0,1]后，我们都设为0.001就可以了，不需要针对不同问题设置不同步长。
总而言之，将数据范围统一在[0,1]，对我们讨论、研究、处理问题，都有好处，不必不同问题作不同讨论。
二、逻辑回归何时需要归一化
为什么有的人说逻辑回归需要归一化，而有的人说不需要？
这个老饼认为，这种分歧主要来源于大家用的软件包不一样！
如果你用python的sklearn,不归一化试试？吃过亏后自然就乖乖做归一化啦！
而如果你用的是matlab，那你很疑惑，为什么逻辑回归也有人去做繁琐的归一化。
为什么会有这种差异呢？
主要原因在求解算法上。
sklearn默认用梯度下降，不归一化会需要更多的迭代步数。
而matlab则用牛顿法，牛顿法利用了二阶导的信息，所以在迭代速度上更加快，即使不归一化，一样可以在较少的步数内找到最优解。
总的来说，逻辑回归要不要归一化，并不是一概而定的，在不同的算法下，要求不同。
一般我们用sklearn的话，都是需要归一化的。
相关文章
144
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
