如何识别规范化特征

Question

我一直在努力解决课程考试中提出的问题。我不是在寻求解决方案，但我需要获得解决此问题的步骤和概念。 任何人都可以分享概念和步骤来帮助我找到解决方案。

更新 我期待一次投票，这并不罕见，因为这是人们可以做的最简单的事情。我正在寻找解决问题的方向，因为我在观看Coursera上的视频后无法理解解决问题。我希望有合情合理的人可以分享方向和步骤来实现上述目标。

Answer 1

解决这个问题的第一步是确定什么是，从讲座的内容来看，它指的是第三个训练案例的第一个特征。这是表格第三行中期得分的未标准版本。

其次，您需要了解规范化的概念。我们需要归一化的原因是所有训练样例中的某些特征的值可能比其他特征的值大得多，这可能使得成本函数具有非常差的形状，这将使得更难以找到最小的梯度下降。为了解决这个问题，我们希望使所有特征具有几乎相同的比例，并使特征的范围集中在零。

在这个问题中，我们希望将每个特征都缩放到1，为了做到这一点，你需要在所有训练案例中找到特征的最大值和最小值。然后将要素的范围压缩为0和1.第二步是找到要素的中心值（本例中为平均值），并将要素的中心值移动到0.

我认为这几乎是我能给你的所有暗示，你将完全能够从这一点上自己计算出这个问题的答案。

Answer 2

均值归一化

平均归一化，也称为“ 标准化 ”，是最受欢迎的特征缩放技术之一。

Andrew Ng在讲座4的12a幻灯片中描述了这一点：

如何解决问题

问题要求您标准化第三个示例中的第一个功能：midterm = 94;
好吧，我们只需要解决这个问题！

为了清楚起见，符号：

μ（mu）=“训练集中x的平均值”，换句话说：x1列的平均值。

σ（sigma）=“range（max-min）”，文字σ= max-min（x1列）。

所以：

μ=（89 + 72 + 94 + 69）/ 4 = 81

σ=（94-69）= 25

x_std =（94 - 81）/ 25 = 0.52

结果： 0.52

祝你好运， 马可。