machine-learning - SVM 的数据应该被缩放、标准化还是两者兼而有之
问题描述
在我提出问题之前,让我先快速定义一些定义。
缩放 - 更改属性的范围并将它们转换为特定的比例。
归一化 - 转换属性,使它们具有正态分布。
我应该缩放或规范化我的数据,还是应该在使用 SVM 和类似的距离测量学习器时缩放和规范化我的数据?我总是看到人们为 SVM 规范化他们的数据,但似乎缩放会更重要,理想情况下,也许你会想要两者都做?你觉得呢?你有没有什么想法?
解决方案
推荐阅读
- r - 在 R 数据框中执行条件计算
- javascript - 模块“AppModule”导入的意外值“FusionChartsModule”。请添加@NgModule 注释
- c++ - 使用 if Conditional 在 C++ 中的系列总和
- c++ - 没有默认构造函数,当有
- c# - .NET Core - 能够连接到 Azure App Config 但不能返回任何配置值?
- javascript - 如何在 Service Now 中增加性能分析小部件的大小?
- r - 在 R 用户定义的函数中为 while 循环之外的变量赋值
- amazon-web-services - 不需要 OAuth 的 CI 管道?
- python - 在 Flask 中导入模块的问题
- npm - 管理多个 NPM 组件