为什么圭表化要把均值设为0、方差设为1？

先说均值。均值等于平均数，统统不雅测值加起来除以个数。

μ是均值，n是数据点总和，xᵢ是每个数据点，是以均值等于数据的要点位置。比如均值是20，那20等于均衡点。这不是说统统点到20的距离相等而是说双方的"分量"刚好在20这个位置对消掉。

而方差掂量的是数据有多差别，界说是每个值与均值偏差的平时的平均值。

n是数据点总和，xᵢ是每个数据点，μ是均值。

那均值为0有什么用？

不错把数据念念象成坐标系里的一团“点云”。每个值减去均值（x — μ）之后，整团云就被平移到了原点位置。数据不再飘在某个边缘而是以原点为中心差别。

这对好多机器学习算法齐有自制，尤其是用梯度下跌的时辰。数据居中之后优化历程更均衡、管制也更快。因为特征如果一初始就偏离原点很远，磨练起来会贫寒不少。

那方差为1呢？

这是为了刺目某个特征"玷污"其他特征。

举个例子：年纪和薪资两个特征，年纪限度10-70，薪资限度10,000-70,000。告成喂给模子的话，模子会认为薪资频年纪贫苦1000倍（数字大嘛）。但这两个特征原来是镇定的，凭什么薪资就更贫苦？

是以圭表化等于除以圭表差，让统统特征的方差齐酿成1。这么年纪和薪资就在合并个量级上了，变化幅度差未几。年纪有个小波动，不会因为薪资数字大就被模子无视掉。

可视化戒指：

圭表化之前，特征1（红色，小圭臬）和特征2（蓝色，大圭臬）放一齐，红色那条险些看不见。圭表化之后，两个特征圭臬一致，齐能明晰败表示来。模子终于不错公道对待它们了。

什么时辰需要圭表化？逻辑转头、神经汇注、KNN这类用梯度下跌的算法，圭表化影响最大。

总结一下：

均值为0让数据居中，方差为1让特征圭臬搭伙。两者合作，算法学得更快，也不会偏心某个特征。至于什么时辰该用圭表化、什么时辰该用MinMaxScaler，浑厚说我也还在摸索。

作家:vaishnavi