Đối với dữ liệu hình ảnh và dữ liệu dạng bảng, rất nhiều người chuyển đổi dữ liệu bị lệch thành dữ liệu được phân phối bình thường trong quá trình tiền xử lý.
Phân phối bình thường có nghĩa là gì trong học máy? Nó có phải là một giả định thiết yếu của các thuật toán học máy?
Ngay cả dữ liệu hình ảnh, tôi đã thấy biến đổi lượng tử, biến đổi toàn bộ pixel của hình ảnh để tuân theo phân phối bình thường hoặc thống nhất.
Tôi có thể nghĩ về một lý do: để tránh ảnh hưởng của các ngoại lệ. Nhưng những chuyển đổi này làm biến dạng phân phối dữ liệu ban đầu.
Tại sao phân phối bình thường rất quan trọng đối với máy học mà nhiều quá trình tiền xử lý bao gồm bước này?
2
Không phải, điều này xuất phát từ một niềm tin sai lầm rằng các mô hình sẽ hoạt động tốt hơn trên dữ liệu thông thường, nhưng điều này chỉ đơn giản là không đúng (ngoại trừ các mô hình thực sự đòi hỏi sự bình thường). Dữ liệu thống nhất trên đôi khi có ích, đặc biệt là với NN, vì cách chúng hoạt động.
—
dùng2974951
Sự mê tín này có thể được tóm tắt là "Tính quy phạm không phải là một yêu cầu đối với bất kỳ mô hình nào, trừ khi có." Người mới thường lầm tưởng rằng tính bình thường luôn là một yêu cầu, mặc dù các trường hợp đó là đúng và rất ít.
—
Sycorax nói Phục hồi lại
Có những giả định khác, thường quan trọng hơn. Nhưng những giả định khác khó hiểu hơn .
—
kjetil b halvorsen
Vì vậy, đối với các mạng thần kinh, đôi khi dữ liệu phân phối bình thường giúp cải thiện hiệu suất, nhưng trong các mô hình khác, nó có thể phụ thuộc vào dữ liệu? Và để kiểm tra nó tôi có thể phải thử bằng tay hoặc khám phá toán học đằng sau các thuật toán?
—
林彥良