归一化在机器学习中能加速梯度下降找到最优解，避免因特征尺度不同导致的收敛问题。通过调整数据范围，减少不同特征值域的影响，可以提高模型精度和收敛速度，尤其适用于依赖距离计算的算法如KNN、K-means。对眼部闭合数据进行归一化后，数据分布更利于分析。
在机器学习中：
归一化：
为什么归一化能提高梯度下降法求解最优解的速度？
假定为预测房价的例子，自变量为面积大小和房间数，因变量为房价。那么可以得到的公式为：
y=θ1x1+θ2x2y=θ1x1+θ2x2
其中，x1x1代表房间数，θ1θ1代表x1x1变量前面的系数；x2x2代表面积，θ2θ2代表x2x2变量前面的系数。下面两张图（损失函数的等高线）代表数据是否归一化
订阅专栏 解锁全文
扫一扫
09-21
8367
8367
05-13
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
