文章目录
- 前言
- 一、特征缩放技术
-
- 1. 标准化（Standardization）
- 2. 归一化（Normalization）
- 3 sklearn高级接口
- 二、学习率的选取
前言
特征缩放技术在机器学习优化过程中可以加快收敛过程，特别是在数据量差异较大的情况下。
关于学习率的选取一直都是机器学习里面的一个热点，到现在已经有部分自适应学习率的优化算法可供我们选择。但本文还是想介绍一下，自己应该怎么使用合适的学习率。
一、特征缩放技术
示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。
在机器学习中，数据缩放是一个常见的预处理步骤，可以帮助提高模型的性能。常用的数据缩放方法包括：
1. 标准化（Standardization）
标准化是指将数据按其均值和标准差进行缩放，使得数据的均值为0，标准差为1。标准化的公式如下：
x standardized = x − mean ( x ) std ( x ) x_{\text{standardized}} = \frac{x - \text{mean}(x)}{\text{std}(x)} xstandardized=std(x)x−mean(x)
其中， x x x 是原始数据， mean ( x ) \text{mean}(x)
