机器学习数据归一化以及需要归一化的算法

一，为什么需要对数据进行规范化

归一化的目的是处理不同比例和维度的数据，以使其缩放到相同的数据间隔和范围算法的数据包括哪些，从而减少比例，特征和分布差异对模型的影响.

方法:

1. 范围转换方法

2. 0均值标准化（Z评分法）

1. Max-Min（线性归一化）

Max-Min归一化是线性更改原始数据，并使用最大值和最小值将原始数据转换为一定范围的数据

缺点: 归一化过程与最大值和最小值有关，并且容易受到极端值的影响. 将在一定程度上破坏原始数据的结构

应用程序: 在图像处理中，RGB图像被转换为​​灰度图像，其值被限制在[0，255]的范围内

2.Z评分标准化

基于原始数据的平均值和标准偏差进行标准化. Z分数是一种集中式方法，它会更改原始数据的分布结构，并且不适合处理稀疏数据. 该方法要求原始数据的分布近似为高斯分布，否则归一化效果非常差.

应用程序: 在分类和聚类算法中，当需要距离来测量相似性时，或者当使用PCA技术进行降维时，Z-Score标准化效果很好

第二个应用场景

1. 概率模型不需要进行归一化，因为该模型并不关心变量的值，而是关心变量的分布以及变量之间的条件概率.

决策树（概率模型），随机森林（基本学习者是决策树），朴素贝叶斯（概率模型）不需要标准化

2. SVM和线性回归等优化问题需要归一化. 归一化后，可以加快梯度下降的速度，以寻找最优解，并且可以提高精度.

是否归一化主要取决于您是否关心变量的值

3. 需要对神经网络进行标准化，并且通用变量的值在-1和1之间. 这是为了削弱某些变量的值并影响它们. 普通神经网络中的隐层使用tanh激活函数优于sigmoid算法的数据包括哪些，因为其值[-1，1]，平均值为0（必需）

4. 在k最近邻算法中，如果解释变量未标准化，则小数量级的解释变量的影响将最小（必需）

参考地址:

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-274758-1.html