J'ai des caractéristiques avec 18 dimensions après avoir fait la sélection de caractéristiques et sera utilisé pour former classificateur, RNN, HMM, etc.Est-il nécessaire de normaliser/normaliser les données dans l'apprentissage automatique?
Les caractéristiques contiennent stddev, moyenne et dérivée de l'accéléromètre et du gyroscope. Ces fonctionnalités ont des unités différentes et la normalisation/normalisation perdra la véritable signification des fonctionnalités. Par exemple, l'unité d'un vecteur de caractéristique est la vitesse de rotation (degré/sec), la valeur de cette caractéristique est comprise entre -120 et 120. Une autre est stddev d'accélération de l'axe des x, la valeur est principalement comprise entre 1 et 120. 0 et 2. Si je veux normaliser, tous les vecteurs caractéristiques seront centrés près de 0, avec des valeurs négatives/positives réparties autour de zéro. -> Même le stddev aura des valeurs négatives! Il perd totalement sa signification réelle?
Suis-je sur la mauvaise piste? Toute information est appréciée! Merci!
Ceci n'est pas approprié pour SO. de toute façon vous avez une réponse [ici] (http://stats.stackexchange.com/questions/189652/is-it-a-good-practice-to-always-scale-normalize-data-for-machine-learning) –