为什么归一化范围不在0到1之间？
归一化范围不一定局限于0到1之间，这取决于具体的应用场景和需求。归一化是一种数据预处理技术，旨在将不同尺度、不同范围的数据转化为统一的标准范围，以便更好地进行比较和分析。
归一化的范围选择可以根据以下几个因素来确定：
- 数据分布特征：如果数据集中在某个特定范围内，将其归一化到0到1之间可能会导致数据的丢失或压缩，不利于保留数据的分布特征。在这种情况下，可以选择其他合适的范围进行归一化，例如-1到1。
- 应用需求：不同的应用场景可能对数据范围有不同的要求。例如，在某些机器学习算法中，如果特征的范围过大，可能会导致算法收敛困难或者权重分配不均匀。在这种情况下，将数据归一化到较小的范围（如0到1）可以帮助算法更好地进行训练和预测。
- 数据边界：某些数据可能具有固定的边界范围，例如百分比数据（0%到100%）或角度数据（0度到360度）。在这种情况下，将数据归一化到0到1之间可能不合适，应该保持数据的原始边界范围。
总之，归一化范围的选择应该根据具体情况进行权衡和调整，以满足数据处理和分析的需求。在腾讯云的产品中，可以使用腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）来进行数据归一化和机器学习模型的训练与部署。
相关·内容
1回答
找出一段时间以来的异常行为
、、、、
我想要检测石油管道中的异常行为，那里的油是在一定压力下流动的。我有一个传感器，用来监控时间和压力，并把它推到我的云服务器上。
我拿到数据集了。我的要求是在python中进行数据分析，并在一段时间内查找数据集中的异常模式。我需要提出数据集中存在的异常行为，例如，今天下午1点到3点30分，压力升高和下降可能是由于管道泄漏造成的。
我们能用简单的统计模型来做吗？还是需要机器学习？
能为这个场景推荐最合适的机器学习算法吗？
另外，请在这里提到网页链接。
谢谢
浏览 0提问于2018-02-13得票数 0
3回答
我经常看到机器学习中的数值被缩放到0-1范围.为什么更好？
我的训练装置里有一些温度值。如果我将有一些值来预测这将是外部的训练集值呢？
我的意思是，在训练集，我将有温度范围，如5-20和MinMaxScaler将符合这些数值，然后我将有25个预测。
浏览 0提问于2018-06-24得票数 1
回答已采纳
1回答
最近，我从机器学习开始。我想为实时火灾探测系统创建一个机器学习模型。输入数据为环境特征，输出数据为火灾可能性。当Time=0的时候，我们放了火。举个例子：
Time Temperature CO CO2 ... ... Fire_Possibility
-20 20 ** ** Low
-15 21 ** ** Low
-10 19 ** ** Low
-5 20 *
浏览 2提问于2017-01-18得票数 0
我是一个机器学习的新手，我正在经历缩放和规范化。当我试图浏览web上的大多数文档时，我发现人们解释说，数据集需要进行缩放和标准化。
但想知道什么时候应该缩放或规范一列？以及如何在dataset中选择用于缩放和规范化的特性/列。
以及如何决定为列选择哪种规范化算法？
浏览 0提问于2020-11-17得票数 0
3回答
我在这里学习机器学习，这门课使用的是regression 中的'scikit learning‘。
我可以看到，对于一些训练回归算法，作者使用了特征缩放，而对于某些回归算法，他没有使用特征缩放，因为一些“scikit学习”回归算法会自己处理特征缩放。
如何知道我们需要在哪种训练算法中进行特征缩放，以及我们不需要在哪里进行？
浏览 2提问于2018-08-03得票数 0
我知道我们拥有的数据越多，我们的模型就越可靠。我还了解到，机器学习模型的参数越多，所需的训练数据就越多。例如，深度神经网络需要比线性回归或支持向量机更多的数据。
机器学习在文本和图像中的成功应用需要数百万的数据点。我阅读此尝试(链接)时，使用了5000引号的数据集来生成新的引号。提交人曾多次尝试失败，直到他意识到他的数据集太小，无法完成这项任务。他成功地使用了转移学习，使用了由Salesforce开发的AWD模型，该模型对维基百科的1亿令牌进行了培训。
另一方面，我经常看到一些科学文章，这些文章用几百个数据(甚至更少)来训练机器学习模型，并夸耀它们的“伟大发现”。例如，本文(链接)使用的数据集
浏览 0提问于2019-09-04得票数 4
2回答
神经网络是使用较小范围的训练数据更好，还是无关紧要？例如，如果我想训练一个带有角度(浮点值)的ANN，我应该以0；360度或弧度0；6.28传递这些值，或者可能所有的值都应该标准化为0；1？训练数据的范围是否会影响ANN的学习质量？我的神经网络有6个输入神经元，1个隐藏层，我使用的是sigmoid对称激活函数(tanh)。
浏览 2提问于2015-12-28得票数 2
TL博士:有比“是-否”分类器更复杂的分类器吗？
我先说，我没有一个具体的项目，这是一个我一直想知道的技术问题。
我研究过一些机器学习应用程序，原因不一而足。所有这些项目的目的都是将数据分类到N个类中，并且它们都使用no-没有分类器(如果这就是它们所称的)。这些分类器中的每一个给出一个数据的分数(0到1，或-1到1)，它对应于分类器所训练的类的相似性。然后由程序来使用这些分数来确定最佳的分类。
我在名义数据和连续数据上都看到了这种情况，最终分类的实现各不相同。例如，我曾经写过一个小的文档语言标识符，其中分类器被训练成英语、法语、德语等，无论哪个分类器得分最高。这对我来说很有意义。
另一个项目是
浏览 1提问于2011-10-14得票数 4
回答已采纳
3回答
生产正常化
、、、
我目前正在为我的时间序列应用程序编写一个机器学习管道。在每个月的月底，我收集到数据，规范它(0，1)，仅用新的观察重新训练ML模型，并预测未来的值。
问题
每次我得到一个新的观察时，是否应该读取整个数据集，对整个数据集进行规范化，创建ML模型，然后进行预测？
我是怎么被困住的
假设我有一个特性，在t-1，所有的值都有min/max = 0,000
在t，一个新的观测值为1001
考虑到ML模型已被训练成不同的min/max，我应该如何规范新的值？
谢谢
浏览 0提问于2019-12-13得票数 2
1回答
我正在训练一个神经网络，它有大约10个分类输入。在对这些分类输入进行一次性编码后，我最终将大约500个输入输入到网络中。
我希望能够确定我的每个分类输入的重要性。Scikit-learn有，但是其中任何一个都可以应用于分类数据输入吗？所有的例子都使用数值输入。
我可以将这些方法应用于one-hot编码输入，但如何在应用于二进制化的输入后提取含义？如何判断分类输入的特征重要性？
浏览 15提问于2017-02-18得票数 6
一般情况下，机器学习模型是建立在数据集上的。我想知道是否有任何方法来生成合成数据集使用这种经过训练的机器学习模型，保持原始数据集的特点？
原始数据->建立机器学习模型->使用ml模型生成合成数据.！
有可能吗？如果可能的话，请告诉我相关的资料。
浏览 0提问于2015-04-01得票数 22
回答已采纳
这是基于我有限的机器学习范围和经验，所以如果我错了就纠正我。目前使用的许多机器学习模型(SVMs、G灌树、DNN)都是在以下假设下工作的:培训、验证和测试数据集共享相同的分布。在某种程度上，如果分布不同，但不存在很大差异，它们就可以工作。在这里，“可以工作”意味着它们的工作是次最优的(即，如果分布相同，它们可以更好地工作)，而不是说它们背后的理论应该处理w/ /分布的差异，并且可以像“钉住它”那样处理它们。
因此，我的问题是:是否有基于数据集实际上正在经历一系列分布变化的假设进行预测的工作？一个疯狂的想法是观察训练集和验证集之间的分布差异，并假设验证集和测试集之间存在相同的差异，并学习在测试集
浏览 0提问于2017-04-25得票数 2
回答已采纳
2回答
我正在尝试对生物数据进行预处理以训练神经网络，尽管对各种归一化方法进行了广泛的搜索和重复介绍，但我仍然不知道何时应该使用哪种方法。特别是，我有许多输入变量是正向倾斜的，并一直在试图确定是否存在最合适的归一化方法。
我还担心这些输入的性质是否会影响网络的性能，因此我尝试了数据转换(特别是日志转换)。然而，一些输入有许多零，但也可能是小的十进制值，似乎受到log(x + 1) (或1到0.0000001之间的任何数字)的高度影响，结果分布无法接近正态分布(要么保持倾斜，要么变成双峰，在最小值处有一个尖锐的峰值)。
这些都与神经网络有关吗？即。我是应该使用特定的特征转换/归一化方法来解释倾斜的数据，
浏览 6提问于2012-11-08得票数 5
回答已采纳
我从这里学习机器学习，本课程使用“Scikit learning”进行回归-- https://www.udemy.com/machinelearning/
我可以看到，对于一些训练回归算法，作者使用了特征缩放，而对于一些他没有使用，因为一些'Scikit学习‘回归算法自己处理特征缩放。
如果我将特征缩放应用于一个已经在内部进行特征缩放的算法，它会以任何方式影响吗？
我能否始终应用特征缩放，无论我使用的算法内部是否有一个特征缩放系统？
浏览 0提问于2018-08-07得票数 3
场景--我有没有标签的数据，但是我可以创建一个函数来根据行为给数据贴上标签并部署模型，这样我就不必一直给数据贴标签了。这算是机器学习吗？
目标：基于高、中、低标签对大数据(数万亿行数据)进行容量峰值分类
data ：我拥有的数据包括以下属性:帐户、时间、日期、卷金额。
方法
创建一个名为“尖峰”的新特征列，并创建一个熊猫函数来识别大于5的尖峰。这是功能工程吗？
接下来，我创建我的标签列，并将其分类为低、中或高峰值。
接下来，我将训练一个机器学习分类器，并将其部署到大数据中标记具有类似模式的未来帐户。
关于这个过程的想法？这种方法对机器学习是正确的吗？
浏览 1提问于2019-06-26得票数 0
2回答
场景--我有没有标签的数据，但是我可以创建一个函数，根据行为给数据贴上标签，然后部署模型，这样我就不用一直给数据贴标签了。这算是机器学习吗？
目的:基于high、medium或low标签对具有容量峰值的账户进行分类，使其部署在大数据(数万亿条数据线)上。
数据:我拥有的数据包括以下属性:帐户、时间、日期、卷金额。
方法：
创建一个名为spike的新功能列，并创建一个熊猫函数来标识大于5的尖峰。这是功能工程吗？
接下来，我创建我的label列，并将其归类为low、medium或high spike。
接下来，我将训练一个机器学习分类器，并将其部署到大数据中标记具有类似模式的未来帐户。
关于这个过
浏览 0提问于2019-06-26得票数 2
2回答
在我的机器学习课上，讨论了这两种方法，并提到这两种方法都应该使用。我对此有几个问题：
1)我能否将这两种方法混合起来并加以匹配？例如特征标度x1和均值规范化x2？
2)你如何决定这些选项中的哪一种？似乎两种方法都能完成提高收敛速度的任务.我想，您只需要知道您的数据集，就可以了解哪些数据集将可靠地减少您的值，同时尽可能少地保留异常值？
浏览 0提问于2015-11-20得票数 3
回答已采纳
1回答
我已经使用对已经转换为TF*IDF特征向量的训练文档执行了χ²特征选择，默认情况下会生成归一化向量。然而，在选择了top-K信息最丰富的特征之后，由于删除了维度，向量不再标准化(所有向量现在的长度都小于1)。
在特征选择之后重新归一化特征向量是否可取？我也不太清楚B/T标准化和缩放的主要区别。它们是否为SVC等学习者提供类似的服务？
提前感谢您的友好答复！
浏览 3提问于2013-03-06得票数 2
回答已采纳
1回答
我使用逻辑回归。我们知道这是一种有监督的方法，需要在训练和测试数据中计算特征值。有六个特性。尽管函数产生的这些特征的值是不同的，并且它们的最大值可以是1，但有四个特征(在训练和测试数据中)的值非常低。例如，它们的范围在0到0.1之间，并且永远不是1，甚至大于0.1！因此，这些特征的值彼此非常接近。其他特征呈正态分布(范围在0到0.9之间)。因此，这两种特征之间的差异很大，我认为这给logistic回归的学习过程带来了麻烦。我说的对吗？!它需要对这些功能进行任何转换/标准化吗？任何帮助都将不胜感激。
浏览 0提问于2016-02-06得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储活动推荐
腾讯云开发者
