【机器学习】梯度下降之数据标准化

前言

吴恩达机器学习学习笔记 ，看完文章大概需要三分钟

问题分析

在线性回归中，尤其是多变量回归模型，由于各个的数据之间量化纲位不同，如果数
据范围分别是是【0~1000，0 ~5】或者【-0.00004 ~ 0.00002，10 ~ 30】, 那么在使用梯度下降算法时，他们的等高线是一个又窄又高的等高线，如下图：

因为一个他们量化纲位不同会出现 （1，299），（3，800） 这种特征实例，那么等高线就会又窄又高，在梯度下降算法中，参数更新就会如上图左右震荡，

3D可视化

如下图：代价函数（就是回归模型的预测值和实际值的差的平方和）的3D图，就像下山一样，为了达到局部最优点或全局最优点，作为下山者，你肯定希望地形比较平缓，比较清楚的知道往哪里走能够最快下山，而如果这个山又陡又窄，那下山者是不是下山肯定速度慢很多，往哪里都是下降，不能准确找到方向。

理想的代价函数
但实际往往都是下图的情况

解决方法

那么为了梯度下降算法特征下降的更快，更快收敛，我们就需要对各个数据进行数据标准化， 例如：

第一个特征 X0量化纲位为： 0 ~ 2000
其平均值记为 u0:1000 ,
第二个特征 X1量化纲位为： 1 ~ 5
其平均值记为 u1:2

此时我们对其数据标准化使其为平均值为0的情况，操作如下：

• X0 = (X0 - u0)/ X0量化纲位
• X1 = (X1 - u1)/ X1量化纲位

这样x0,x1的量化纲位都在-1 ~ 1了，
就实现了数据标准化

特别注释：

我们在进行数据标准化不需要太精确的结果，对于结果不一定都要 0 ~ 1，0 ~ 2也可以接受，因为我们目的已经达到了，让“山”没那么陡峭，方便下山
如果对应数据量化纲位有 0 ~ 3，-3~ 3 ，这种其实还可以接受，不需要数据标准化