Normalization เหมาะที่จะใช้เมื่อคุณรู้ว่าการกระจายข้อมูลของคุณไม่เป็นไปตามการแจกแจงแบบเกาส์เซียน … ในทางกลับกัน การทำให้เป็นมาตรฐานมีประโยชน์ในกรณีที่ข้อมูลเป็นไปตามการกระจายแบบเกาส์เซียน
ฉันควรใช้การทำให้เป็นมาตรฐานหรือการทำให้เป็นมาตรฐานหรือไม่
การทำให้เป็นมาตรฐานมีประโยชน์เมื่อข้อมูลของคุณมีมาตราส่วนที่แตกต่างกัน และอัลกอริทึมที่คุณใช้ไม่ได้ตั้งสมมติฐานเกี่ยวกับการกระจายข้อมูลของคุณ เช่น เพื่อนบ้านที่ใกล้ที่สุด k และโครงข่ายประสาทเทียม การทำให้เป็นมาตรฐาน ถือว่าข้อมูลของคุณมีการกระจายแบบเกาส์เซียน (เส้นโค้งกระดิ่ง)
การทำให้เป็นมาตรฐานเหมือนกับการทำให้เป็นมาตรฐานหรือไม่
ในโลกธุรกิจ โดยทั่วไป "การทำให้เป็นมาตรฐาน" หมายถึงช่วงของค่า ถูกทำให้เป็นมาตรฐานจาก 00 ถึง 1.0" โดยทั่วไป "การทำให้เป็นมาตรฐาน" หมายถึงช่วงของค่าเป็น "มาตรฐาน" เพื่อวัดค่าเบี่ยงเบนมาตรฐานจากค่าเฉลี่ยจำนวนเท่าใด
ทำให้ข้อมูลเป็นปกติดีเสมอหรือไม่
โดยการทำให้เป็นมาตรฐาน คุณกำลังทิ้งข้อมูลบางอย่างเกี่ยวกับข้อมูล เช่น ค่าสูงสุดและค่าต่ำสุดสัมบูรณ์แบบสัมบูรณ์ ดังนั้น ไม่มีกฎง่ายๆ อย่างที่คนอื่นบอก การทำให้เป็นมาตรฐานไม่ได้ผลเสมอไป เช่น. จากมุมมองเชิงปฏิบัติ
เมื่อใดที่คุณไม่ควรทำให้ข้อมูลเป็นมาตรฐาน
เหตุผลดีๆ บางอย่างที่ไม่ทำให้เป็นปกติ
- ค่าเข้าแพง. การปรับฐานข้อมูลให้เป็นมาตรฐานมักเกี่ยวข้องกับการสร้างตารางจำนวนมาก …
- การออกแบบธรรมดานั้นยาก …
- เร็วและสกปรกควรเร็วและสกปรก …
- หากคุณใช้ฐานข้อมูล NoSQL การทำให้เป็นมาตรฐานแบบเดิมไม่เป็นที่ต้องการ