什么是特征缩放
特征缩放是用来标准化数据特征的范围
机器学习为什么需要特征缩放
在处理多维特征问题的时候，需要保证特征具有相近的尺度，这有助于梯度下降算法更快的收敛。
以预测房屋价格为例，假设有两个特征，房屋的尺寸和房屋的数量，尺寸的值为 0-
2000 平方英尺，而房间数量的值则是 0-5，以两个参数分别为横纵坐标，绘制代价函数的等
高线图能，看出图像会显得很扁，梯度下降算法需要非常多次的迭代才能收敛。、
image.png
特征缩放方法
1.最大值最小值归一化
image.png
优点：所有数据都能缩放到0～1之间
缺点：当min,max为离群值或异常值时，缩放后数据分布不均匀
2.方差归一化
image.png
优点：可减小异常值当影响
缺点：不一定所有数据都缩放到0～1之间
3.均值归一化
image.png
将所有数据缩放至0两边
4.标准归一化
image.png
归一化和标准化的区别
归一化：缩放仅仅跟最大、最小值的差别有关。 输出范围在0-1之间
标准化：缩放和每个点都有关系，通过方差（variance）体现出来。与归一化对比，标准化中所有数据点都有贡献（通过均值和标准差造成影响）。输出范围是负无穷到正无穷
什么时候用归一化？什么时候用标准化？
1.如果对输出结果范围有要求，用归一化
2.如果数据较为稳定（图像或是视频的数据值处于固定区间），不存在极端的最大最小值，用归一化
3.如果数据存在异常值和较多噪音，用标准化，可以间接通过中心化避免异常值和极端值的影响
标准化方法
min-max标准化(Min-max normalization)
image
优点：是对原始数据的线性变换，使结果落到[0,1]区间
缺点：有新数据加入的时候可能导致max和min的变化，需要重新定义
log函数转换
image
优点：使结果落在[0,1]之间
缺点：所有数据都要大于等于1
atan函数转换
image
优点：大于0数据被映射到[0,1]小于0被映射到[-1,1]区间上。
缺点：不是所有数据都映射到[0,1]
z-score 标准化(zero-mean normalization)
image
优点：经过处理符合标准正太分布，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。
