一、前述
迴歸問題求解時梯度下降由於樣本資料的多樣性，往往對模型有很大的影響，所以需要對樣本資料做一些優化
二、歸一化
1、背景
各個維度的輸入如果在數值上差異很大，那麼會引起正確的w在各個維度上數值差異很大。這樣找尋w的時候，對各個維度的調整基本上是按照同一個數量級來進行調整的。因此需要歸一化。
2、歸一化方法
• 歸一化的一種方法：最大值最小值法
• 缺點是抗干擾能力弱
• 受離群值得影響比較大
• 中間容易沒有資料
歸一化的一種方法：方差歸一化
• 優點是抗干擾能力強，和所有資料都有關
. 使數量級在一個量級
• 缺點是最終未必會落到0到1之間
• 犧牲歸一化結果為代價提高穩定
歸一化的一種方法：均值歸一化
3、案例分析一
優化方法：方差歸一化
結果：
4、案例分析二
解決辦法：儘可能讓X的各個維度上取值有正有負。
均值歸一化，每個數量減去平均值。
