归一化和标准化的差别在哪里？ sklearn api

归一化：对原始数据进行线性变换把数据映射到[0,1]之间

  

标准化：均值为0，标准差为1

 

 

One disadvantage of normalization over standardization is that it loses some information in the data, especially about outliers.

归一化的缺点是，它会丢失一些信息，特别对于那些异常的点

 

这个作者推荐使用standardization标准化，如果你无法判断。 而且他认为你应该对其他的feature也都使用标准化。

我还真的无法判断。

 

另，---------------

在coursera教程第二节里，

theta和b之间的数量级差了快100倍，

b可以看成是一列值为1的feature，

而另外两列 feature都在80左右上下浮动，

所以这里差了80多倍，给训练带来了极大的麻烦

 

极大的

 

sklearn preprocessing 

from  sklearn import preprocessing  
scaler=preprocessing.StandardScaler().fit(X)  
X=scaler.transform(X)  
xNew=scaler.transform(xNew)