首頁猿問 scikit學(xué)習(xí)中功能縮放的使用

scikit學(xué)習(xí)中功能縮放的使用

Python

慕工程0101907 2021-05-14 15:09:54

我從這里STUDING機(jī)器學(xué)習(xí)和課程使用從回歸“scikit學(xué)習(xí)” - https://www.udemy.com/machinelearning/我可以看到，對于某些訓(xùn)練回歸算法，作者使用了特征縮放，而對于某些他卻沒有，因?yàn)槟承?scikit學(xué)習(xí)”回歸算法是自己進(jìn)行特征縮放的。如何知道我們需要在哪種訓(xùn)練算法中進(jìn)行特征縮放以及在哪些地方不需要進(jìn)行特征縮放？

查看完整描述

3 回答

PIPIONE

TA貢獻(xiàn)1829條經(jīng)驗(yàn) 獲得超9個贊

這取決于您使用的算法和數(shù)據(jù)集。

支持向量機(jī)（SVM），如果您縮放功能，這些模型的收斂速度會更快?？s放的主要優(yōu)點(diǎn)是避免較大數(shù)值范圍內(nèi)的屬性主導(dǎo)較小數(shù)值范圍內(nèi)的屬性
在K均值聚類中，您可以找到將不同數(shù)據(jù)點(diǎn)聚在一起的歐幾里得距離。因此，這似乎是縮放要素的一個很好的理由，以使質(zhì)心不受較大或異常值的影響很大。
在回歸的情況下，縮放特征不會有太大幫助，因?yàn)樵紨?shù)據(jù)集之間的系數(shù)關(guān)系與縮放后的數(shù)據(jù)集之間的系數(shù)關(guān)系將相同。
對于決策樹，它們通常不需要特征縮放。
在涉及學(xué)習(xí)率且使用梯度下降的模型的情況下，輸入比例會影響梯度。因此，在這種情況下將考慮特征縮放。