系列文章目录
第七章 Python 机器学习入门之特征缩放与多项式回归
系列文章目录
文章目录
前言
一、特征缩放是什么？
二、如何去实现特征缩放
1.将特征值除以最大值
2.均值归一化
3.z-score 归一化
总结
前言
特征缩放可以使得梯度下降 gradient descent 的幅度更大，程序运行的更快，
一、特征缩放是什么？
我们先来看看特征的大小，也就是特征的数值大小与相关参数的大小之间的关系
举个例子，我们使用两个特征值X来预测房子的价格，
假设这两个特征值分别是：x1房子的大小, x2卧室的数量
很明显x1 要比 x2 大的多
如果已知一个房子的大小为2000，有5个卧室，价格为500k，我们来求其它两个参数w1,w2
不难发现当一个特征x1较大时，与之对应的参数w1应该较小，反之也是一样
下面来看看特征的散点图，左边，
横轴房子的大小比纵轴卧室的规模要大得多，或者说取值的范围要大得多
来看看代价函数的等高线图，右边，横轴的取值范围很小，纵轴很大，这说明w1一个很小的变化都会对估计价格产生很大的影响，对代价函数也会有很大的影响，因为w1要乘以一个很大的数 房子的大小，而w2 与之相反。
如果我们直接使用训练数据，当使用梯度下降来使得代价函数最小化时，它可能会来回跳很长时间才能找到，原因就是w1一个很小的变化都会对代价函数产生很大的影响，
为了解决这个问题，一个有用的做法就是特征缩放，就是对训练数据做一些转换，
如果我们可以将两个特征的取值范围都缩放到0到1之间，
那么使用梯度下降来找到代价函数最小值是不是更加简单了。
二、如何去实现特征缩放
1.将特征值除以最大值
如果一个特征x1 的取值范围是300 到 2000，那么一种特征缩放的方法就是除以最大值，将x1/2000，缩放后x1的取值范围在0.15到1之间。
2.均值归一化
另一种方法是均值归一化，重新计算训练数据，使它们都在0附件，取值范围在（-1，1）间，
如果要对x1数据进行均值归一化，我们首先要在数据集上找到平均值u1，计算公式如图
3.z-score 归一化
第三种方法是z-score 归一化，我们需要计算每个特征的标准差
总结一下，当我们的特征值的取值范围太大或者太小时，使用梯度下降来使得代价函数最小化会很慢，这时候我们一般都会进行特征缩放。
总结
总结一下，当我们的特征值的取值范围太大或者太小时，使用梯度下降来使得代价函数最小化会很慢，这时候我们一般都会进行特征缩放。
