归一化原因
1. 如果多个特征之间数值差异较大，那么收敛速度会很慢。如吴恩达老师在《机器学习》中给出的例子：
x1的取值为0-2000，而x2的取值为1-5，假如只有这两个特征，对其进行优化时，会得到一个窄长的椭圆形，导致在梯度下降时，梯度的方向为垂直等高线的方向而走之字形路线，这样会使迭代很慢，相比之下，右图的迭代就会很快 2. 在涉及到距离计算的模型中，若多个特征之间数值差异较大，那么数值小的特征对距离的影响则很小，这会造成精度的影响
归一化目的
1. 将数据按照一定的规则转变为（0,1）之间的数据； 2. 把有量纲表达式转变为无量纲表达式
连续值归一化常见方法
Max-Min
Xmin/Xmax分别对应数据集中最小、最大的数据，X是待归一化数据今天的文章 数据预处理—归一化（连续值和离散值）分享到此就结束了，感谢您的阅读。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/bian-cheng-ji-chu/85273.html