如果我一起规范化整个数据集可以吗？
Is it okay if I normalize whole dataset together?
我正在尝试训练一个使用 LSTM 的 RNN 网络。
在数据预处理部分，当我规范化（特征缩放）数据集时，我正在一起规范化整个数据库。但是，我严重怀疑某些输入列是否在其他输入列上占主导地位，它会影响网络训练部分。为了更好地理解，这里有一个数据集的例子：
从上图中可以看出，不同颜色的柱子比其他柱子高很多或低很多。
所以，我的问题是；如果我一起对整个数据集进行归一化是否可以，还是应该单独对每一列进行归一化？
特征缩放是在每列的基础上完成的。这些操作一次应用于一个特征，因为 objective 是为了让不同的特征进入相似的范围，因此特征的单位不会影响学习 (source)。你是对的，特征的大小会影响训练，因此缩放被认为是最佳实践，尤其是在训练神经网络时。
通常这是通过以下两种方式之一完成的：
- 重新缩放：使特征的值落在一个范围内，例如从 0 到 1。最小-最大重新缩放通过以下方式实现：
- 标准化：减去均值除以标准差。新特征的均值为 0，标准差为 1。
可以使用 Scikit-Learn 的 MinMaxScaler. Standardization can be done in Python using Scikit-Learn's StandardScaler.
在 Python 中完成重新缩放
这是一篇关于特征缩放基础知识的好文章：http://sebastianraschka.com/Articles/2014_about_feature_scaling.html。
我正在尝试训练一个使用 LSTM 的 RNN 网络。
在数据预处理部分，当我规范化（特征缩放）数据集时，我正在一起规范化整个数据库。但是，我严重怀疑某些输入列是否在其他输入列上占主导地位，它会影响网络训练部分。为了更好地理解，这里有一个数据集的例子：
从上图中可以看出，不同颜色的柱子比其他柱子高很多或低很多。
所以，我的问题是；如果我一起对整个数据集进行归一化是否可以，还是应该单独对每一列进行归一化？
特征缩放是在每列的基础上完成的。这些操作一次应用于一个特征，因为 objective 是为了让不同的特征进入相似的范围，因此特征的单位不会影响学习 (source)。你是对的，特征的大小会影响训练，因此缩放被认为是最佳实践，尤其是在训练神经网络时。
通常这是通过以下两种方式之一完成的：
- 重新缩放：使特征的值落在一个范围内，例如从 0 到 1。最小-最大重新缩放通过以下方式实现：
- 标准化：减去均值除以标准差。新特征的均值为 0，标准差为 1。
可以使用 Scikit-Learn 的 MinMaxScaler. Standardization can be done in Python using Scikit-Learn's StandardScaler.
这是一篇关于特征缩放基础知识的好文章：http://sebastianraschka.com/Articles/2014_about_feature_scaling.html。