在Aurélien Géron 的《使用 Scikit-Learn、Keras 和 TensorFlow第 2 版的动手机器学习》一书中，作者引用：
与 min-max 缩放不同，标准化不会将值绑定到特定范围，这可能是某些算法的问题（例如，神经网络通常期望输入值范围为 0 到 1）
这是否意味着标准化对神经网络不利？请解释神经网络如何在标准化时效果不佳，但在最小-最大尺度下效果很好。
标准化与最小-最大缩放
数据挖掘
机器学习
神经网络
特征缩放
2022-02-28 11:35:27
1个回答
与 ML 模型不同，DL 模型要求数据处于最原始的状态，以便从中提取最多的信息。现在，当您在 ML 模型（例如 SVM）中扩展所有特征时，这是必要的，因为某些特征相对于其他特征可能具有非常大的差异，因此它们将主导其他特征，最终导致性能下降。在 DL 的情况下，您使用随机方法并调整不受缩放影响的权重和偏差（用一粒盐来处理），NN 实际上最适合您不缩放特征。由于例如梯度下降的随机性，我们永远无法确定什么是最好的。因此，最好尝试用几个示例来训练和测试模型的性能以及缩放是否有帮助。
强烈推荐我在工作中使用的这篇文章：https ://machinelearningmastery.com/how-to-improve-neural-network-stability-and-modeling-performance-with-data-scaling/
其它你可能感兴趣的问题