Feature scaling- mean normalization

在我们面对多维特征问题的时候，我们要保证这些特征都具有相近的尺度，这将帮助梯度下降算法更快地收敛。

以房价问题为例，假设我们使用两个特征，房屋的尺寸和房间的数量，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。

 

 


解决的方法是尝试将所有特征的尺度都尽量缩放到-1 到 1 之间。如图：

 

 

 

posted @   ￣□￣  阅读(14)  评论(0)  编辑  收藏  举报
相关博文：
· 特征工程——feature scaling（Z-Score,Maxmin,MaxAbs,RobustScaler,Normalizer）
· Andrew Ng -- machine learning -- Linear Regression --- ex1/吴恩达机器学习ex1
· 【Coursera Machine Learning】适用多个特征量的梯度下降
· ML——week2
· 吴恩达机器学习（6） 多元梯度下降法
阅读排行：
· 分享4款.NET开源、免费、实用的商城系统
· 全程不用写代码，我用AI程序员写了一个飞机大战
· MongoDB 8.0这个新功能碉堡了，比商业数据库还牛
· 白话解读 Dapr 1.15：你的「微服务管家」又秀新绝活了
· 上周热点回顾（2.24-3.2）
点击右上角即可分享
微信分享提示