**：
在餵給機器學習模型的資料中，對資料要進行歸一化的處理。
為什麼要進行歸一化處理，下面從尋找最優解這個角度給出自己的看法。
假定為**房價的例子，自變數為面積，房間數兩個，因變數為房價。
那麼可以得到的公式為：
其中其中
首先我們祭出兩張圖代表資料是否均一化的最優解尋解過程。
未歸一化：
歸一化之後
為什麼會出現上述兩個圖，並且它們分別代表什麼意思。
我們在尋找最優解的過程也就是在使得損失函式值最小的theta1,theta2。
上述兩幅圖**的是損失函式的等高線。
我們很容易看出，當資料沒有歸一化的時候，面積數的範圍可以從0~1000，房間數的範圍一般為0~10，可以看出面積數的取值範圍遠大於房間數。
這樣造成的影響就是在畫損失函式的時候，
資料沒有歸一化的表示式，可以為：
造成影象的等高線為類似橢圓形狀，最優解的尋優過程就是像下圖所示：
而資料歸一化之後，損失函式的表示式可以表示為：
其中變數的前面係數幾乎一樣，則影象的等高線為類似圓形形狀，最優解的尋優過程像下圖所示：
從上可以看出，資料歸一化後，最優解的尋優過程明顯會變得平緩，更容易正確的收斂到最優解。
這也是資料為什麼要歸一化的乙個原因。
機器學習中為什麼需要對資料進行歸一化？
如下圖所示，藍色的圈圈圖代表的是兩個特徵的等高線。其中左圖兩個特徵x1和x2的區間相差非常大，x1區間是 0,2000 x2區間是 1,5 其所形成的等高線非常尖。當使用梯度下降法尋求最優解時，很有可能走 之字型 路線 垂直等高線走 從而導致需要迭代很多次才能收斂 而右圖對兩個原始特徵進行了歸一化，...
為什麼一些機器學習模型需要對資料進行歸一化？
針對這個問題參考了wiki的解釋 歸一化後有兩個好處 1 歸一化後加快了梯度下降求最優解的速度 2 歸一化有可能提高精度 1 歸一化為什麼能提高梯度下降法求解最優解的速度？如下圖所示，藍色的圈圈圖代表的是兩個特徵的等高線。其中左圖兩個特徵x1和x2的區間相差非常大，x1區間是 0,2000 x2區間...
為什麼一些機器學習模型需要對資料進行歸一化？
本文 機器學習模型被網際網路行業廣泛應用，如排序 參見 排序學習實踐 推薦 反作弊 定位 參見 基於樸素貝葉斯的定位演算法 等。一般做機器學習應用的時候大部分時間是花費在特徵處理上，其中很關鍵的一步就是對特徵資料進行歸一化，為什麼要歸一化呢？很多同學並未搞清楚，維基百科給出的解釋 1 歸一化後加快了...