问问题描述
envi归一化处理的目的，求路过的大神指点，急！
答精选答案
1.使用梯度下降法求解最优解的模型，归一化就非常重要！原因：随机梯度下降时，特征值相差大，会导致更新速度慢，需要兼顾特征值小的特征。
比如，knn，logistc回归，gbdt，xgboost，adaboost、线性回归。
2.还有一些模型是基于距离的，所以量纲对模型影响较大，就需要归一化数据，处理特征之间的权重问题，这样可以提高计算精度。
比如，knn，svm，kmeans，k近邻，主成分分析。
3.神经网络对数据分布本无要求，但归一化可以加快训练数据。
不需要归一化处理的模型：
决策树，随机森林（决策树作为基学习器）、GBDT（梯度提升决策树）。决策树模型，决策树模型分裂根据信息增益，信息增益与特征归一化无关。他们因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率。
树模型一般不需要做归一化处理，做归一化处理的目的主要为了使同一特征的取值在同一量纲，降低方差太大带来的影响。树模型并不关心特征的具体取值，只关心特征取值的分布。
本文来自作者[作出好文章]投稿，不代表公众科技网立场，如若转载，请注明出处：https://www.cpst.net.cn/changshijingxuan/202609/2338408.html
评论列表（4条）
我是公众科技网的签约作者“作出好文章”！
希望本篇文章《envi归一化处理的目的》能对你有所帮助！
本站[公众科技网]内容主要涵盖：教育咨询,知识百科
本文概览：1.使用梯度下降法求解最优解的模型，归一化就非常重要！原因：随机梯度下降时，特征值相差大，会导致更新速度慢，需要兼顾特征值小的特征。比如，knn，logistc回归，gbdt，xgboost，adaboost、线性回归。2.还有一些模型是基于距离的，所以量纲对模型影响较大，就需要归一化数据，处理特征之间的权重问题，这样可以提高计算精度。比如，knn，svm，kmeans，k近邻，主成分分析。3.神经网络对数据分布本无要求，但归一化可以加快训练数据。不需要归一化处理的模型：决策树，随机森林（决策树作为基学习