A normalização é útil quando seus dados têm escalas variadas e o algoritmo que você está usando não faz suposições sobre a distribuição de seus dados, como k-vizinhos mais próximos e neurais artificiais redes. A padronização pressupõe que seus dados tenham uma distribuição gaussiana (curva de sino).
Quando devemos normalizar os dados?
Os dados devem ser normalizados ou padronizados para trazer todas as variáveis em proporção entre si. Por exemplo, se uma variável for 100 vezes maior que outra (em média), seu modelo poderá se comportar melhor se você normalizar/padronizar as duas variáveis para serem aproximadamente equivalentes.
Qual é a diferença entre normalização e padronização?
Normalização normalmente significa redimensionar os valores em um intervalo de [0, 1]. A padronização normalmente significa redimensionar os dados para ter uma média de 0 e um desvio padrão de 1 (variância de unidade).
Quando e por que precisamos de normalização de dados?
Em termos mais simples, a normalização garante que todos os seus dados sejam exibidos e lidos da mesma maneira em todos os registros. A normalização padronizará campos, incluindo nomes de empresas, nomes de contatos, URLs, informações de endereço (ruas, estados e cidades), números de telefone e cargos.
Como você escolhe a normalização e padronização?
No mundo dos negócios, "normalização" normalmente significa que o intervalo de valores é"normalizado para ser de 0,0 a 1,0". "Padronização" normalmente significa que o intervalo de valores é "padronizado" para medir quantos desvios padrão o valor está em relação à sua média.