南宁哪里学习桂林米粉技术:第三区县(市)协作组召开联席会议

衣装理容编辑:监管部
Lina
衣装理容编辑
2019-08-25 22:46来源于:中国鞋机鞋材网
分享:

南宁哪里学习桂林米粉技术,南宁学厨艺培训,小吃培训深圳,去哪培训煲仔饭,钦州披萨学校培训,学奶茶要多少学费

  . 提升模型的收敛速度

  如下图,x的取值为-,而x的取值为-,假如只有这两个特征,对其进行优化时,会得到一个窄长的椭圆形,导致在梯度下降时,梯度的方向为垂直等高线的方向而走之字形路线,这样会使迭代很慢,相比之下,右图的迭代就会很快(理解:也就是步长走多走少方向总是对的,不会走偏)

  .提升模型的精度

  归一化的另一好处是提高精度,这在涉及到一些距离计算的算法时效果显著,比如算法要计算欧氏距离,上图中x的取值范围比较小,涉及到距离计算时其对结果的影响远比x带来的小,所以这就会造成精度的损失。所以归一化很有必要,他可以让各个特征对结果做出的贡献相同。

  ? 在多指标评价体系中,由于各评价指标的性质不同,通常具有不同的量纲和数量级。当各指标间的水平相差很大时,如果直接用原始指标值进行分析,就会突出数值较高的指标在综合分析中的作用,相对削弱数值水平较低指标的作用。因此,为了保证结果的可靠性,需要对原始指标数据进行标准化处理。

  ? 在数据分析之前,我们通常需要先将数据标准化(normalization),利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题,对不同性质指标直接加总不能正确反映不同作用力的综合结果,须先考虑改变逆指标数据性质,使所有指标对测评方案的作用力同趋化,再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。经过上述标准化处理,原始数据均转换为无量纲化指标测评值,即各指标值都处于同一个数量级别上,可以进行综合测评分析。

  从经验上说,归一化是让不同维度之间的特征在数值上有一定比较性,可以大大提高分类器的准确性。

  . 深度学习中数据归一化可以防止模型梯度爆炸。

  最常用的是 min-max标准化 和 z-score 标准化。

  是对原始数据的线性变换,使结果落到[,]区间,转换函数如下:

  ?,其中max为样本数据的最大值,min为样本数据的最小值。

  def Normalization(x):

  ? return [(float(i)-min(x))/float(max(x)-min(x)) for i in x]

  如果想要将数据映射到[-,],则将公式换成:

  x*=x* * -

  或者进行一个近似

  x*=(x - x_mean)/(x_max - x_min), x_mean表示数据的均值。

  def Normalization(x):

  ? return [(float(i)-np.mean(x))/(max(x)-min(x)) for i in x]

  这种方法有一个缺陷就是当有新数据加入时,可能导致max和min的变化,需要重新定义。

  最常见的标准化方法就是Z标准化,也是SPSS中最为常用的标准化方法,spss默认的标准化方法就是z-score标准化。

  也叫标准差标准化,这种方法给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。

  经过处理的数据符合标准正态分布,即均值为,标准差为,其转化函数为:

  x*=(x -?μ ) / σ

  其中μ为所有样本数据的均值,σ为所有样本数据的标准差。

  z-score标准化方法适用于属性A的最大值和最小值未知的情况,或有超出取值范围的离群数据的情况。该种归一化方式要求原始数据的分布可以近似为高斯分布,否则归一化的效果会变得很糟糕。

  标准化的公式很简单,步骤如下

  .求出各变量(指标)的算术平均值(数学期望)xi和标准差si ;

  .进行标准化处理:

  zij=(xij-xi)/si

  其中:zij为标准化后的变量值;xij为实际变量值。

  .将逆指标前的正负号对调。

  标准化后的变量值围绕上下波动,大于说明高于平均水平,小于说明低于平均水平。

  .问:归一化也就是标准化的一种,比如做一般线性回归的时候,XY轴中只有一个是变量,那请问是否需要对变量数据进行标准归一化呢?

  答:一维数据一般没有太大必要归一化,它的归一化相当于通过学习率调节了,但是反过来归一化后,学习率可能就没有太大必要了,这样就可以减少一个学习率的设置。(即学习率初始值的选择需要参考输入的范围,直接将数据归一化,学习率就不必再根据数据范围作调整。)

  .问:为什么线性归一化对用距离来度量相似度的方法在精度上会有影响?

  答:线性变换其协方差产生倍数值的缩放,无法消除量纲对方差、协方差的影响,由于量纲的存在,使用不同的量纲、距离的计算结果会不同,在精度上当然会有影响。使用均值对方差进行了归一化,这时候每个维度的量纲其实已经等价了。而且用于最大值和最小值未知的时候,或者说最大值和最小值并不准确时尤其重要,当最大值和最小值未知或者不准备时当然在精度上有更大影响,均值方法这种问题就少很多,对异常点也更鲁棒。

  问:首先 谢谢博主的耐心解答,

  .我可不可以理解为线性归一化,不会消除量纲的影响,因为它是一种对原始数据的放缩(根据公式,应该不是等比例的放缩),这种放缩,可能会减小量纲的影响,比如一个量纲为的特征和一个量纲为的特征都归一化到到之间,差距就没有到那么大了,但量纲的不同的依然存在,也就是说,一定程度上减小了量纲的影响,但是还是不能消除,

  .但是-均值归一化,就是使数据分布一致,完全消除量纲的影响了对吧,但是会改变数据分布。

  .最后一个疑问就是,是否数据分布一致,量纲就相同。

  答:.所有的归一化方法都会在一定程度上消除量纲的影响,但是zscore还可以消除量纲对方差、协方差的影响(线性的会使方差也变化);

  ?.对,zscore会使数据分布都变成高斯分布;

  ? ? ? ?.“数据分布一致,量纲就相同”,数据分布相同指完全一样的分布,如均值和方差相同的高斯分布,这时量纲是 相同的。

  转载:https://blog.csdn.net/pipisorry/article/details/

分享:
相关阅读
论坛精华
每日精选
衣范追踪潮流街拍