【问题标题】：Normalizing samples to 0 mean and 1 variance , in online machine learning algorithms在在线机器学习算法中将样本归一化为 0 均值和 1 方差
【发布时间】：2016-05-30 16:17:15
【问题描述】：
我目前正在研究一种在线机器学习算法，我需要确保输入向量中的每个特征在样本中具有 0 均值和 1 方差。
我认为当您事先拥有所有样本时如何做到这一点很简单，但在线学习并非如此。
有谁知道如何以这种方式对新的给定向量进行归一化，以使先前样本（+新样本）中的每个特征都具有 0 均值和 1 方差？
有没有可能？
谢谢
【问题讨论】：
标签：
math
machine-learning
reinforcement-learning
supervised-learning
unsupervised-learning
【解决方案1】：
引导前几百个样本，估计均值和方差，并对均值 0 和方差 1 进行高斯归一化，并将任何未来向量归一化。没有 ML 算法对归一化到 0,1 非常严格，这应该就足够了。
对于从第一个缺陷开始学习的严格在线问题，我不知道该怎么做，除非您对变量的范围有一些想法，例如灰度图像中像素的最大值等。重新归一化和在收集每 x 个缺陷后重新训练将证明成本太高。