特征缩放的矢量化答案

【问题标题】：Vectorization of feature scaling特征缩放的矢量化
【发布时间】：2021-04-14 11:31:33
【问题描述】：

我想对具有 2 列的矩阵 (X) 进行缩放。我正在使用均值归一化，我在 Octave 中写了以下几行：

X_norm = X
mu = mean(X);
sigma = std(X);
X_norm(:,1) = (X_norm(:,1) .- mu(:,1)) ./ sigma(:,1);
X_norm(:,2) = (X_norm(:,2) .- mu(:,2)) ./ sigma(:,2);

您能否告诉我一种更简洁的方法来矢量化这些计算？

我通过与 zscore(X) 的结果进行比较来检查我的代码，它们匹配 - 即 sum(X_norm - zscore(X)) 返回我 0 0。

我被限制不使用zscore()，因此问题。

样本数据如下：

2104      3
1600      3
2400      3
1416      2
3000      4
1985      4
1534      3
1427      3
1380      3
1494      3
1940      4
2000      3
1890      3
4478      5
1268      3
2300      4
1320      2
1236      3
2609      4
3031      4
1767      3
1888      2
1604      3
1962      4
3890      3
1100      3
1458      3
2526      3
2200      3
2637      3

【问题讨论】：

标签： octave vectorization

【解决方案1】：

你可以这样做：

X_norm = (X .- mean(X,1)) ./ std(X,0,1);

【讨论】：

非常感谢。
如何把这个做成通用版？
为什么意思是(X,1) ？ help 说它沿着 DIM 1 找到了平均值，你能澄清一下这个概念吗？类似 std(X,0,1) ?
@faztp12 mean(x,1) 计算沿维度 1（即行）的平均值。换句话说，在操作结束时，通过对所有行取平均值，dim 1 将减少为单行（即单维）。与标准类似。但是，上述 sn-p 起作用的原因与 mean(X,1) vs mean(X) ... mean(X) 默认情况下沿维度 1 起作用。上面的 sn-p 工作并且您不必单独执行每一列的原因是因为 octave 支持broadcasting

【解决方案2】：

在交叉验证期间面临零除法问题。这对我有用。

mu = mean(X);
X_norm = X - mu;
sigma = std(X);

% Skip zero div
sigmaZeroIdx = sigma == 0;
sigma(1,sigmaZeroIdx) = 1;

X_norm = X_norm ./ sigma;

【讨论】：

【解决方案3】：

我认为您可以为 N 大小的特征应用 for 循环。

X_norm = X;
mu = zeros(1, size(X, 2));
sigma = zeros(1, size(X, 2));

for iter = 1:num_iters;
  mu(1,iter) = mean(X_norm(:,iter)); 
  X_norm(:,iter) = X_norm(:,iter) .- mu(1,iter);
  
  sigma(1,iter) = std(X_norm(:,iter));  
  X_norm(:,iter) = X_norm(:,iter) ./ mu(1,iter); 
end

【讨论】：