做特征选择时，特征需要归一化么？
请问：做特征选择时，特征需要归一化么？比如要用稀疏表示之类的构造Laplacian图。
一般情况下，在用稀疏表示构图进行谱聚类时，数据应该是要归一化的。
现在我想，在做特征选择时是否也需要归一化？
采用何种何一化呢？有以下几种情况：
1） 若尺度一致，比如人脸图像，是不是可以进行样本归一化？或者是除以256？
2）若尺度可能不一致，是否应该采用特征归一化（或者说采用f-min(f)/(max(f)-min(f))）？
找到相应的特征排序后，是提取原始特征还是归一化的特征做聚类？
恳请大家不吝赐教！~感谢！~~
返回小木虫查看更多
今日热帖
京公网安备 11010802022153号
自己顶一下，不要沉了~~~~
不管尺度是否一致，一般都要归一化。 归一化不光是因为尺度不一致问题，还有优化计算时候的问题。
归一化的方式很多， 常见的有除以和，L1，L2归一化， zero mean unit variance等。
楼主可以对比一下归一化和不归一化的效果，看看那个好。 毕竟不是所有问题答案都一样。
感谢 ，我就是看到有人做了归一化，有人没有做归一化，都不知道该如何选择了~~~~
，
这个是由于很多人数据的来源不同的。因为有些人用的数据已经是别人处理过的，所以这部分normalization没有提到
通常建议归一化。一个是千米单位，一个毫米，你不归一化，怎么知道两个因素对结果的影响大小？归一化后，可以有效规避这类问题