Normalizacja przydaje się, gdy wiesz, że rozkład Twoich danych nie jest zgodny z rozkładem Gaussa. … Z drugiej strony standaryzacja może być pomocna w przypadkach, gdy dane są zgodne z rozkładem Gaussa.
Czy powinienem używać normalizacji czy standaryzacji?
Normalizacja jest przydatna, gdy dane mają różne skale, a używany algorytm nie przyjmuje założeń dotyczących dystrybucji danych, takich jak najbliżsi sąsiedzi i sztuczne sieci neuronowe. Standardyzacja zakłada, że dane mają rozkład Gaussa (krzywa dzwonowa).
Czy normalizacja to to samo co normalizacja?
W świecie biznesu „normalizacja” zazwyczaj oznacza, że zakres wartości są „znormalizowany” do wartości od 0.0 do 1,0”. „Standaryzacja” zwykle oznacza, że zakres wartości jest „standaryzowany”, aby zmierzyć, ile odchyleń standardowych wynosi wartość od średniej.
Czy zawsze dobrze jest normalizować dane?
Normalizując, w rzeczywistości wyrzucasz pewne informacje o danych, takie jak bezwzględne wartości maksymalne i minimalne. Tak więc nie ma praktycznej reguły. Jak powiedzieli inni, normalizacja nie zawsze ma zastosowanie; np. z praktycznego punktu widzenia.
Kiedy nie należy normalizować danych?
Kilka dobrych powodów, aby nie normalizować
- Dołączenia są drogie. Normalizacja bazy danych często wiąże się z tworzeniem wielu tabel. …
- Znormalizowany projekt jest trudny. …
- Szybko i brudno powinno być szybkie i brudne. …
- Jeśli używasz bazy danych NoSQL, tradycyjna normalizacja nie jest pożądana.
