Udacity 机器学习 特征缩放课程

• 给出这三个人的身高和体重：

据我们所知, 很明显Chris被建议穿L码, 但根据身高和体重的计算结果, Chris却被建议穿S码。那是什么原因呢？

因为在这里，“体重”完全主导了结果，“身高”的影响微乎其微。
我们应当努力使两者对结果产生同等重要的影响。
这就引入了特征缩放——将特征限制在[0,1]范围内。

解释：

X' 是你所设计的新特征变量。
在进行数据处理时，X（max）和 X（min）分别代表原始数据集中各项特征在缩放前的最小值与最大值。
*X 则表示需要进行归一化处理的各项原始特征数值。

特点：缩放后的特征值总是在0和1之间

• 优势在于 你的预估输出能够保持一致

• 劣势是 如果输出特征存在异常值 那么特征缩放会变得困难 （最大值和最小值可能成为极端情况）

  • 10.最小值/最大值重缩