Normaliser des échantillons à 0 moyenne et 1 variance, dans des algorithmes d'apprentissage automatique en ligne

Question

Je travaille actuellement sur un algorithme d'apprentissage automatique en ligne, où je dois m'assurer que chaque caractéristique du vecteur d'entrée a une moyenne de 0 et une variance entre les échantillons . Je pense que c'est trivial comment le faire quand vous avez tous les échantillons à l'avance, mais ce n'est pas le cas dans l'apprentissage en ligne. Est-ce que quelqu'un sait comment normaliser un nouveau vecteur de manière à ce que chaque caractéristique des échantillons précédents (+ la nouvelle) ait 0 moyenne et 1 variance? Est-ce encore possible?

Merci

Answer 1

Bootstrap les premiers quelques centaines d'échantillons, estimer la moyenne et la variance et à faire la normalisation gaussienne moyenne 0 et de variance 1 et normaliser tout vecteur avenir à ce sujet. Non ML Algo est très strict sur la normalisation à 0,1 et cela devrait suffire.

Pour un problème strictement en ligne où vous apprenez depuis le premier défaut, je ne suis pas sûr de savoir comment le faire, sauf si vous avez des idées sur la plage des variables comme la valeur maximale d'un pixel. et re-formation après dire que tous les défauts x sont collectés serait trop coûteux.