TensorFlow规范化与Scikit-学习规范化

Question

我一直在学习一门机器学习课程，在回归课的最后一个额外的循环作业是

从波士顿定价数据集 TensorFlow tf.keras.datasets导入并对其建模。

在课程中，我了解到规范化数据集对训练模型是有益的，所以我想在波士顿数据集上试一试。指导员给出的关于规范化的示例使用了sklearn库，但是在我的搜索过程中，我发现TensorFlow还有一个规范化实用程序tf.keras.utils.normalize。

TensorFlow解决方案要简单得多，这让我们怀疑为什么讲师没有在sklearn方法上使用该方法。这就引出了我的问题：

当我应该选择一种规范化方法而不是另一种方法时，是否有特定的原因/用例，还是仅仅是一个偏好的问题？

我在代码中使用的TensorFlow规范化：

X_train_normalized = tf.keras.utils.normalize(X_train)
X_test_normalized = tf.keras.utils.normalize(X_test)

正如课程中所演示的那样，sklearn正常化：

# Create column transformer (this will help us normalize/preprocess our data)
ct = make_column_transformer(
    (MinMaxScaler(), ["age", "bmi", "children"]), # get all values between 0 and 1
    (OneHotEncoder(handle_unknown="ignore"), ["sex", "smoker", "region"])
)

# Create X & y
X = insurance.drop("charges", axis=1)
y = insurance["charges"]

# Build our train and test sets (use random state to ensure same split as before)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Fit column transformer on the training data only (doing so on test data would result in data leakage)
ct.fit(X_train)

# Transform training and test data with normalization (MinMaxScalar) and one hot encoding (OneHotEncoder)
X_train_normal = ct.transform(X_train)
X_test_normal = ct.transform(X_test)

Answer 1

注意，甚至您也可以在训练模型之前定义规范化层并对训练数据进行调整，然后在模型结构中使用计算的均值、方差来实现该层。

norm_layer = tf.keras.layers.Normalization(axis=-1)
norm_layer.adapt(X_train)

因此，我认为这将取决于您正在处理的案例，特别是当您的数据集只需要规范化时。正如你所知道的，神经网络和线性模型一样，在规范化数据集上有最好的性能。