为什么在机器学习中需要数据归一化？
在机器学习中，归一化用于将不同的特征缩放到相同的尺度，防止具有较大数值的特征主导模型训练，从而避免不一致。如果特征在量级上差异很大，算法可能会产生偏差。
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
- 识别特征可能在量级上差异很大（例如，一个是 3，另一个是 300,000）。
- 认识到如果不进行标准化，算法可能会偏向较大的值。
- 应用归一化或标准化来消除单位效应，并确保模型公平有效地对待所有特征。
例子
讲师提到，如果不进行标准化，一个值是 3，另一个值是 30 万（三十万），这会导致不一致。
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。
观看对应讲解
8:48 – 9:07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。