Feature Scaling 特征缩放的目的是什么

考虑前两个组图：
组图1：同一辆大货车拉货，同一个函数在x坐标的单位不同导致函数在同一个x下的斜率不同。

组图2：如果将两个函数分别做梯度下降，明显第一个需要更少的迭代次数就可以完成。

所以如果我们要做梯度下降的话，肯定更想选择第一个来做。如果第一个需要1天来完成，那么第二个则有可能需要100天甚至半年才出结果。
特征缩放的概念，就是将第二个图想办法做成第一个图，从而使得梯度下降更快，从而使得算法更加高效。

The technique “feature scaling” will enable gradient descent run much faster.
----Andrew Ng

---

Feature Scaling Method #3

3种进行特征缩放的方法如下：

Dividing by maximum

Related python code

# 获得最大值
import numpy as np
a = [1,2,3,4,5]
maximum = np.max(a)

---

Mean Normalization

Related python code

# 获得平均值mean
import numpy as np
a = [1,2,3,4,5,6]
mean_value = np.mean(a)

---

Z-Score normalization

Basic knowledge:
Standard Derivation
标准差和方差都是衡量一组数据离散程度的统计量，在实际计算中，标准差和方差越小，表示离散程度更小，即数据更加稳定。


Related python code

# 获得标准差值
import numpy as np
a = [1,2,3,4,5,6]
a_deri = np.std(a)

---

end —>