目錄 什麼是特徵正規化 特徵正規化有哪些方法 若不做特徵正規化，將會對模型造成什麼影響 有哪些模型就算沒有特徵正規化，也不會對模型效能造成影響 Reference 什麼是特徵正規化 將不同範圍的特徵轉換成同一個範圍的特徵 例如：將數值轉換成 [0, 1] 的範圍內 特徵正規化有哪些方法 Standardization（Z-Score Normalization） 將資料統一轉換成平均數為 0、標準差為 1 的資料 $X_{Standardization}=\frac{X-\mu}{\sigma}$ Normalization（Min-Max Scaler） 將資料統計轉換成 [0, 1] 的資料 $X_{Normalization}=\frac{X-X_{min}}{X_{max}-X_{min}}$ 若不做特徵正規化，將會對模型造成什麼影響？做了正規化又有什麼好處？ 先備知識：「電腦」沒有單位的概念，只知道數字大小 反面案例：假設有兩個特徵，一個特徵是年齡，另一個特徵是每月薪資。有某筆資料的年齡、每月薪資都是 100 元，請問以「人」角度跟以「電腦」角度思考面向有相同嗎？ 透過正規化，不僅讓每個特徵的範圍具體被定義，每個特徵的單位也都被轉換一致。 有哪些模型就算沒有特徵正規化，也不會對模型造成影響 Tree-based Model Decision Tree Random Forest eXtreme Gradient Boosting (XGBoost) Light Gradient Boosting Machine (LightGBM) Reference TOWARD AI 2020. Machine Learning Standardization (Z-Score Normalization) with Mathematics. https://towardsai.net/p/machine-learning/machine-learning-standardization-z-score-normalization-with-mathematicsJaitley U. 2018. Wht Data Normalization is necessary for Machine Learning Models. https://medium.com/@urvashilluniya/why-data-normalization-is-necessary-for-machine-learning-models-681b65a05029