python - MinMaxScaling 与 L1/L2 归一化
问题描述
我想知道不同类型的重新缩放数据的差异或应用。
到目前为止,我知道标准化假设数据具有高斯分布。因此,如果是这种情况,我们应该标准化并获得正态分布 N~(0,1) 中的值。
如果我们的模型没有关于数据分布的假设(如 FCN 或 RandomForestClassifiers,...)并且我们不知道数据分布或者它不是高斯分布,我们应该对数据进行归一化。但这是我的观点,有几种方法可以标准化,例如使用向量的 L2/L1-Norm(这是tensorflow实现其标准标准化方法的方式)或使用 MinMaxScaling。
那么什么时候推荐使用 L1 或 L2 范数进行标准化,什么时候 MinMaxScaling 是正确的选择?
解决方案
正则化不适用于重新缩放数据。
推荐阅读
- c++ - MSVC c++ 编译器是否将 switch 语句转换为查找表以提高效率?
- r - 使用列表在 C++ 中使用 RCPP 以有效的方式返回一堆矩阵
- symfony - 将 url 路径从 Symfony 传递到 React?
- php - Magento模块中的解析错误PHP封装字符串
- javascript - 如何使用 RequireJS 加载 Angular CLI 构建脚本(非 AMD)
- cookies - Nuxt.js 并将 cookie 转发到后端
- java - 解析日期的正确方法
- geolocation - 如何在多个 ionic 4 页面中使用地理定位服务?
- javascript - 点击javascript关闭手风琴
- pandas - 获取不符合条件的熊猫数据框中行的 True/False 布尔列表