为什么我们在机器学习中需要标准化和归一化?

数据标准化和归一化,这两个术语有什么区别?


回答:

这里有一个关于归一化和标准化的基于示例的很好的解释,我在这里只提及其中的一些要点:

归一化:

  1. 归一化使训练对特征的尺度不那么敏感,因此我们可以更好地解决系数问题。
  2. 归一化将确保收敛问题不会有巨大的方差,使优化变得可行。

标准化:

  1. (使用标准化的原因)比较具有不同单位或尺度的特征。
  2. 标准化往往使训练过程表现良好,因为优化问题的数值条件得到了改善。

Related Posts

L1-L2正则化的不同系数

我想对网络的权重同时应用L1和L2正则化。然而,我找不…

使用scikit-learn的无监督方法将列表分类成不同组别,有没有办法?

我有一系列实例,每个实例都有一份列表,代表它所遵循的不…

f1_score metric in lightgbm

我想使用自定义指标f1_score来训练一个lgb模型…

通过相关系数矩阵进行特征选择

我在测试不同的算法时,如逻辑回归、高斯朴素贝叶斯、随机…

可以将机器学习库用于流式输入和输出吗?

已关闭。此问题需要更加聚焦。目前不接受回答。 想要改进…

在TensorFlow中,queue.dequeue_up_to()方法的用途是什么?

我对这个方法感到非常困惑,特别是当我发现这个令人费解的…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注