为什么在机器学习中需要对数据进行归一化或缩放？
在机器学习中，不同的特征可能具有完全不同的量级。如果不进行处理，具有较大数量级的特征可能会主导模型训练过程。归一化将所有特征缩放到相同的尺度，以便可以公平地比较和处理，从而防止计算复杂度增加或性能下降。
适用条件
- 适用于特征在单位或量级上差异很大的数据集
理解与推导
- 观察到原始数据可能非常大（例如，成千上万）。
- 认识到直接在机器学习算法中使用它会导致极高的时间复杂度。
- 理解通过将数据限制在 0 到 1 之间，算法可以更有效地处理它，并避免因过大的数值而产生的计算困难。
例子
讲师指出，面积值在数千左右，而卧室数量是个位数；为了将它们放在同一尺度上，需要进行归一化。
容易误解的地方
- 假设具有不同量级的原始数据可以直接输入到机器学习模型中。不同量级的数据会导致模型偏向具有较大数值的特征。
观看对应讲解
4:58 – 5:25原站看这一段 ↗
继续追问
答案依据视频资料生成并经过独立核验。若有疑问，请核对原视频或联系原作者。