网站安全代维,深圳做网站网络公司,平面设计培训机构价位,如何评估一个网站目录 Normalization#xff08;归一化#xff09; 1.特点 目的 应用场景 输出范围 2. Sigmoid 函数 目的 应用场景 输出范围 3. Softmax 函数 目的 应用场景 输出范围 燃尽最后的本能#xff0c;意志力会带你杀出重围 —— 24.12.2 Normalization#… 目录 Normalization归一化 1.特点 目的 应用场景 输出范围 2. Sigmoid 函数 目的 应用场景 输出范围 3. Softmax 函数 目的 应用场景 输出范围 燃尽最后的本能意志力会带你杀出重围 —— 24.12.2 Normalization归一化
归一化是将数据转换为具有统一尺度的形式通常用于数据预处理阶段。常见的归一化方法包括 Min-Max归一化、Z-Score 归一化和 L2 归一化。
1.特点
目的
消除数据特征之间的量纲差异使得不同特征对模型的影响更加均衡。
应用场景
数据预处理阶段用于提高模型的训练效果和泛化能力。
输出范围
取决于具体的归一化方法
Min-Max 归一化[0,1] 或 [-1,1]
Z-Score 归一化均值为0标准差为1
L2 归一化向量的 L2 范数为 1 2. Sigmoid 函数
Sigmoid 函数是一种非线性激活函数将输入值压缩到 (0, 1) 之间。其数学表达式为 目的
将输入值压缩到(01)之间适合用于二分类问题。
应用场景
二分类问题中的输出层需要将输出值解释为概率
输出范围
(01) 3. Softmax 函数
Softmax 函数也是一种非线性激活函数将输入值转换为概率分布。其数学表达式为 其中Xi 是输入向量的第 i 个元素n 是输入向量的维度
目的
将输入值转换为概率分布使得所有输出值的和为1。
应用场景
多分类问题中的输出层需要将输出值解释为概率分布
输出范围
(0,1)且所有输出值的和为 1
