数据无量纲化处理(归一化VS标准化)
发布网友
发布时间：3小时前
共1个回答
热心网友
时间：2分钟前
一、概念解析与比对
常见的无量纲化处理方法包括极值化、标准化（最常用）、均值化和标准差化方法。
二、机器学习中归一化的优点及代码
1.归一化后能加快梯度下降求最优解的速度，对使用梯度下降法求最优解的机器学习模型来说，归一化是很有必要的，否则可能很难收敛甚至不能收敛。
2.归一化有可能提高精度，例如对于KNN这样的分类器，它需要计算样本之间的距离。如果特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖。
1.min-max标准化
2.Z-score标准化
3.Sigmoid函数：
三、哪些算法并不需要归一化?
概率模型（树形模型）不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、RF。而像Adaboost、SVM、LR、Knn、KMeans之类的最优化问题就需要归一化。
