本文主要向大家介绍了【云计算】均值归一化问题，通过具体的内容向大家展现，希望对大家学习云计算有所帮助。

均值归一化(mean normalization)

除了在特征缩放中将特征除以最大值以外，有时候我们也会进行一个称为均值归一化(mean normalization)的工作。

具体做法就是：如果你有一个特征xixi你就用xiμixiμi来替换。这样做的目的是为了让你的特征值具有为0的平均值。很明显 我们不需要把这一步应用到x0中，因为x0x0中，因为x0总是等于1的，所以它不可能有为0的的平均值。

但是对其他的特征来说，比如房子的大小取值介于0 ~ 2000，并且假如房子面积的平均值是等于1000的，那么你可以用这个公式

x1=size10002000x1=size10002000

类似地，如果你的房子有五间卧室，并且平均一套房子有两间卧室，那么你可以使用这个公式来归一化你的第二个特征x2：

x2=卧室数25x2=卧室数25

在这两种情况下你可以算出新的特征x1和x2x1和x2，它们的范围可以在-0.5 ~ +0.5之间，当然这肯定不对，x2的值实际上肯定会大于0.5。更一般的规律是用:

xnμnSnxnμnSn， ，μn为平均值μn为平均值， ，Sn为最大值最小值Sn为最大值最小值

来替换原来的特征xnxn。其中定义μn的意思是在训练集中特征xnxn的平均值。而SnSn是该特征值的范围（最大值减去最小值）。

最后直的一提的是：特征缩放其实并不需要太精确，其目的只是为了让梯度下降能够运行得更快一点，让梯度下降收敛所需的循环次数更少一些而已。

#include
using namespace std;
#define eps 1e-10


double x[100][100]={{1,1,4},{1,2,5},{1,5,1},{1,4,2}};
double y[100]={19,26,19,20};
double theta[100]={0,0};
int m=4;
int n=2;
double learn_rate=0.1;
double error=100.0;

void p(){

    for(int i=1;i<=n;i++){                      //lie
        double averagex=0.0;
        double Maxx2=x[0][i],Minx2=x[0][i];
        for(int j=0;j

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标大数据云计算大数据安全频道！