Normalization er bra å bruke når du vet at distribusjonen av dataene dine ikke følger en gaussisk distribusjon. … Standardisering, derimot, kan være nyttig i tilfeller der dataene følger en gaussisk fordeling.
Bør jeg bruke normalisering eller standardisering?
Normalisering er nyttig når dataene dine har varierende skalaer og algoritmen du bruker ikke gjør antagelser om distribusjonen av dataene dine, for eksempel k-nærmeste naboer og kunstige nevrale nettverk. Standardization forutsetter at dataene dine har en Gaussisk (klokkekurve) distribusjon.
Er standardisering det samme som normalisering?
I næringslivet betyr "normalisering" vanligvis at verdiområdet er "normalisert til å være fra 0.0 til 1,0". "Standardisering" betyr vanligvis at verdiområdet er "standardisert" for å måle hvor mange standardavvik verdien er fra gjennomsnittet.
Er det alltid greit å normalisere data?
Ved å normalisere, kaster du faktisk litt informasjon om dataene, for eksempel de absolutte maksimums- og minimumsverdiene. Så det er ingen tommelfingerregel. Som andre sa, normalisering er ikke alltid aktuelt; f.eks. fra et praktisk synspunkt.
Når bør du ikke normalisere data?
Noen gode grunner til ikke å normalisere
- Bli med er dyre. Normalisering av databasen innebærer ofte å lage mange tabeller. …
- Normalisert design er vanskelig. …
- Rask og skitten skal være rask og skitten. …
- Hvis du bruker en NoSQL-database, er tradisjonell normalisering ikke ønskelig.
