為什麼需要對數值型別的特徵進行規範化？

如果沒有足夠的資料和合適的特徵，無論模型結構多麼強大，都無法獲得滿意的輸出。 俗話說，“垃圾進，垃圾出”。 對於乙個機器習問題，資料和特徵往往決定了結果的上限，模型和演算法的選擇和優化也逐漸接近這個上限。

特徵工程，顧名思義，就是對原始資料進行一系列工程過程，將其提煉成可以用作演算法和模型輸入的特徵。 從本質上講，特徵工程是表示和呈現資料的過程。 在實踐中，特徵工程旨在去除原始資料中的雜質和冗餘，並設計更有效的特徵來表徵已解決的問題與模型之間的關係。

工程師通常處理兩種常見的資料型別。

1） 結構化資料。結構化資料型別可以看作是關聯式資料庫中的乙個表，每一列都有明確的定義，包括兩種基本型別：數值型和分型別每行資料都表示乙個樣本的資訊。

2）非結構化資料。非結構化資料主要包括文字、影象、音訊和**資料，其中包含無法用簡單的數值表示的資訊，並且沒有明確的類別定義，每條資料的大小各不相同。

為了消除資料特徵之間的維度影響，我們需要對特徵進行歸一化，使其在不同指標之間具有可比性。 例如，為了分析乙個人的身高和體重對健康的影響，如果以公尺（m）和千克（kg）為單位，則身高特徵集中在16～1.在 8 m 的範圍內，重量特性將在 50 到 100 kg 的範圍內，分析結果顯然傾向於具有較大數值差異的重量特性。 為了獲得更準確的結果，有必要對特徵進行歸一化，以便每個指標以相同的數值順序進行分析。

AI助手創作季