Нормализация образцов до 0 средних и 1 дисперсии, в онлайн-алгоритмах обучения в машине

Question

В настоящее время я работаю над алгоритмом обучения онлайн-машин, где мне нужно убедиться, что каждая функция во входном векторе имеет среднюю и 1 дисперсию по выборкам , Я думаю, что это тривиально, как это сделать, когда у вас есть все образцы заранее, но это не так в онлайн-обучении. Кто-нибудь знает, как нормализовать новый заданный вектор таким образом, чтобы каждая функция в предыдущих выборках (+ новая) имела 0 средних значений и 1 дисперсию? Возможно ли это?

Благодаря

Answer 1

Bootstrap первых нескольких сот образцов, оценка среднего значения и дисперсии и сделать Gaussian нормализации означает 0 и дисперсию 1, и нормализуют любой будущий вектор к этому. Нет ML Algo очень строг относительно нормализации до 0,1, и этого должно быть достаточно.

Для строгого онлайн-проблемы, когда вы учитесь с первого дефекта, я не уверен, как это сделать, если у вас нет идей о диапазоне переменных, таких как максимальное значение пикселя в изображении с серой шкалой и т. Д. Перенормировка и повторное обучение после того, как говорят, что каждый х дефектов собирается, окажется слишком дорогостоящим.