每日一题：树模型为什么不需要归一化？
关注"Python学习与数据挖掘"，
设为“置顶或星标”，第一时间送达干货
树模型为什么不需要归一化？
既然树形结构（如决策树、RF）不需要归一化，那为何非树形结构比如Adaboost、SVM、LR、Knn、KMeans之类则需要归一化呢？
对于线性模型，特征值差别很大时，比如说LR，我有两个特征，一个是(0,1)的，一个是(0,10000)的，运用梯度下降的时候，损失等高线是椭圆形，需要进行多次迭代才能到达最优点。
但是如果进行了归一化，那么等高线就是圆形的，促使SGD往原点迭代，从而导致需要的迭代次数较少。
除了归一化，我们还会经常提到标准化，那到底什么是标准化和归一化呢？
标准化：特征均值为0，方差为1
公式：
归一化：把每个特征向量（特别是奇异样本数据）的值都缩放到相同数值范围，如[0,1]或[-1,1]。
最常用的归一化形式就是将特征向量调整为L1范数(就是绝对值相加)，使特征向量的数值之和为1。
而L2范数就是欧几里得之和。
data_normalized = preprocessing.normalize( data , norm="L1" )
公式：
每日一题精选常考面试题，利用零碎时间为职业保驾护航，建议大家独立思考答题。
(长按三秒，即可进入)
后台已放置一份精心整理的技术干货，查看即可获取！ 后台回复关键字：进群，带你进入高手如云的交流群！ 推荐阅读
评论