返回信息流几个常见的分类模型，关于特征的预处理方面，对于归一化的要求一样吗？
逻辑回归对于特征不要求归一化，svm需要将每个特征缩放到同样的范围比如（0,1）。
没有实战经验呀，希望哪位大侠现身指教一下啦~
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #11051同步于 2013/7/27
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
不同分类模型中特征归一化的要求
mooom
2013/7/27镜像同步5 回复
订阅后，新回复会通过你的通知中心匿名送达。
5 条回复
你说的这个是正则化吧，防过拟合的？我的意思是比如有些特征值域在（0,2000），而有些特征值域只是0或1，这种情况下在做分类的时候需要做统一的归一化吗？还是不同的分类器有不同的要求？具体实践的时候又该怎么操作呢？
【 在 chentingpc 的大作中提到: 】
: 这个要根据具体情况来看吧，有时候还要做是实验试试看。
: 归一化还有不同类型的归一化，比如L1，L2等，效果也不太一样。
我的理解是：归一化是为了在使用梯度下降法时减小迭代次数；如果没有使用梯度下降法，而使用求偏导等于零解方程组的方法来求极值的话，可以不用归一化。
才开始学机器学习，不知道对不对。
不止是正则化的。如果数据本身服从特定分布，线性变换来做归一化可能就不合适了。对于LR这种模型，特征工程很重要，即便可以直接用特征，但是如果根据先验知识对特征进行处理（比如把0~2000弄成0~500作为0，500~2000弄成1），一般也会有一些提升。SVM的话会对特征进行归一化，避免值大的特征可能出现影响过大。实践中可以多试试，或者如果已经有答案可以直接采用。
【 在 mooom 的大作中提到: 】
: 你说的这个是正则化吧，防过拟合的？我的意思是比如有些特征值域在（0,2000），而有些特征值域只是0或1，这种情况下在做分类的时候需要做统一的归一化吗？还是不同的分类器有不同的要求？具体实践的时候又该怎么操作呢？
嗯！受教啦~谢啦，还得实践经验呀~
【 在 chentingpc 的大作中提到: 】
: 不止是正则化的。如果数据本身服从特定分布，线性变换来做归一化可能就不合适了。对于LR这种模型，特征工程很重要，即便可以直接用特征，但是如果根据先验知识对特征进行处理（比如把0~2000弄成0~500作为0，500~2000弄成1），一般也会有一些提升。SVM的话会对特征进行归一化，避免值大的特征可能出现影响过大。实践中可以多试试，或者如果已经有答案可以直接采用。
: