Machine learning 神经网络具有正态分布数据是否重要？

所以，对数据进行标准化处理的一件事就是对其进行标准化，使其具有正态分布的数据，平均值为0，标准偏差为1，对吗？但是，如果数据不是正态分布的呢

此外，所需的输出也必须是正态分布的吗？如果我想让我的前馈网络在两类（-1和1）之间分类，那就不可能标准化为均值为0的正态分布和标准差为1的正态分布，对吗

---

前馈网络是非参数的，对吗？因此，如果是，数据标准化是否仍然重要？人们为什么要将其标准化呢？

标准化特征并不是为了使数据符合正态分布，而是为了将特征值放在一个已知的范围内，从而使算法更容易从数据中学习。这是因为大多数算法不是缩放/平移不变的。例如，决策树既具有缩放不变性，又具有平移不变性，因此进行规范化对树的性能没有影响

此外，所需的输出也必须是正态分布的吗

不，那不是问题。输出是任何输出。您必须确保网络最后一层的激活功能可以做出您想要的预测（即：Sigmoid激活不能输出负值或值>1）

前馈网络是非参数的，对吗

不，它们通常被认为是参数化的。参数化/非参数化的定义并不难。人们谈论这件事时可能会有一些不同的意思

因此，如果是这样的话，标准化数据是否仍然很重要

这些事情根本没有关系

为什么人们要将其标准化

---

这是我提到的第一件事，它使学习变得更容易/可能。

可能重复感谢您的回复。在您的观点中，您提到了使用标准化来确保输入在特定范围内。但我读过一些人使用标准化来确保输入/输出具有平均值0和均匀方差（即使它们已经在一个范围内）。为什么？我刚才回答了为什么。这是为了使优化/学习更容易。或者将输出置于激活功能实际可达到的范围内。