【问题标题】:Should I normalize along sample or should I normalize feature?我应该沿着样本标准化还是应该标准化特征?
【发布时间】:2018-10-24 21:08:04
【问题描述】:

我想使用从 0 到 1 的标准化数据。在一个温度下,我生成 1000 个样本。我在不同温度下生成数据。我想知道,如果我必须使用从 0 到 1 的标准化数据,那么应该标准化每个样本(沿轴 = 1)还是应该标准化对应于特征的沿(轴 = 0)。
[0,....,1] #first sample [0,....,1] #second sample

`[0, 0.3,0.4,0.6]
[0.34,....,1]`

【问题讨论】:

  • 全部数据。

标签: machine-learning


【解决方案1】:

enter image description hereNormalizing data 意味着您将所有数据推向相同的规模。您应该一次标准化 1k 个样本。

您可以看到上面的图片链接包含用于规范化的公式。取一个包含 1k 值的类,在该 1k 值中取最小值和最大值,并用该公式替换并为 1k 值执行此操作。

【讨论】:

  • 对不起,我没有明白你的意思。如果我在 10 个不同的点生成 1000 个样本,并且每个点对应一个类。那么在这种情况下将数据从 0 标准化为 1 意味着什么?10k 是什么?
  • 对不起,我正在纠正我的错误,它只有 1k。您必须在每个点标准化您的数据(即一次 1000 个样本)。你可以看到图片链接包含规范化的公式。取一类找到最小值和最大值
  • 我得到了 2 个不同的答案:) 现在更困惑该怎么办
  • 现在可以查看答案了
  • 因此,如果我在值 1.0、1000 在 2.0、1000 在 3.0、1000 在 4.0 时生成 1000 个样本,这意味着我必须从以 1.0 生成的前 1000 个样本中选择最大值和最小值,并且2.0 和 3.0 类似。
猜你喜欢
  • 2019-07-31
  • 1970-01-01
  • 2020-05-06
  • 1970-01-01
  • 2010-10-30
  • 2017-11-04
  • 2010-10-26
  • 2020-11-23
  • 1970-01-01
相关资源
最近更新 更多