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555倍的差值,第二特征(发现天数)只有222倍差值。但是直接计算量样本点的距离(如欧式距离) eluc.dist=(1−5)2+(200−100)2eluc.dist= \sqrt {(1-5)^2 + (200-100)^2}eluc.dist=(15)2+(200100)

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

倪桦

有帮助的话请杯咖啡吧,谢谢!

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值