数据归一化在机器学习中的好处主要有以下几个方面:
i、避免优化不平衡
如果特征的范围存在较大差异,梯度下降优化就会较慢。
数据归一化可以把各特征放到一个量级上,有效优化参数。
ii、accelerates convergence
与优化不平衡相关,数据归一化可以加速模型收敛。
不需要对学习率进行微调。
iii、易比较
数据归一化后,各个特征的范围在 0 – 1 之间。
更易对不同特征进行比较。
iv、提高准确度
归一化后,特征的权重更易反映其重要性。
通常可提高模型的准确率。
v、避免欠拟合
大范围的特征可能导致欠拟合。
归一化可缓解此问题。
vi、正则化作用
归一化数据还可以看做是一种正则化技巧。
总的来说,机器学习中数据归一化的主要好处包括:
- 避免优化不平衡
- 加速模型收敛
- 易对特征比较
- 提高准确度
- 避免欠拟合
- 具有正则化作用
归一化后数据:
- 优化更平衡
- 收敛更快
- 比较更方便
- 模型效果更好
- 欠拟合更少
- 具有正则化效果