机器学习经典算法：数据特征处理 —— “归一化”

正文

数据特征归一化是为了将不同尺度的特征转换到相同的范围（如[0,1]），避免某些特征对模型的影响过大。归一化可以加速算法的收敛，尤其对于依赖距离度量的算法（如K近邻、支持向量机），确保模型训练更加稳定和高效。此外，归一化有助于避免特征尺度差异导致的偏差，从而提升模型的准确性和泛化能力。

特征量纲对样本点间距离计算的影响：

对于以上数据表中反应的样本情况，我们可以观察到样本的第一个特征(肿瘤大小)在两样本中有$5$倍的差值，第二特征(发现天数)只有$2$倍差值。但是直接计算量样本点的距离(如欧式距离) $eluc.dist=\sqrt{(1-5{)}^2+(200-100)}$