线性回归:feature scaling 特征缩放

本文介绍特征缩放的两种计算方法,包括使用最大最小值和方差进行缩放,阐述其在线性回归中梯度下降算法的应用,以减少迭代次数,提高程序效率。并指出正规方程不需要特征缩放。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

特征缩放的两种计算方法:

1、(目标数值 - 平均值) / (最大值 - 最小值)

2、(目标数值 - 平均 值) / 方差

线性回归中

梯度下降会用到特征缩放,目的:减少迭代次数,从而加速程序;

正规方程不需要特征缩放;

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
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