特征归一化

特征归一化常见的有两种，一种是线性函数归一化，一种是零均值归一化。

1. 线性函数归一化(Min-Max Scaling)
   对原始数据进行线性变换，将结果映射到【0,1】的范围，归一化公式如下：
   $$X_{norm}=\frac{X-X_{min}}{X_{max}-X_{min}}，$$
   其中 X 为原始数据， $X_{max}$ 、 $X_{min}$ 分别为数据最大值和最小值。
2. 零均值归一化（zero-score Normalization)
   它会将原始数据映射到均值为0、标准差为1的分布上。
   归一化公式定义为：
   $$z=\frac{x-\mu }{\sigma }$$
   归一化的目的： 更快的通过梯度下降找到最优解。 btw， 特征归一化对于决策树模型并不适用，详细的还不了解。

图像数据不足时的处理方法

  数据不足面的问题主要表现在拟合方面，就是说我们在训练集上面的效果可能还不错，但是在测试集上的泛化能力很差。解决方法可以分为两类。

1. 基于模型的方法：简化模型（非线性变成线性），添加约束项以减小假设空间（L1/L2正则项)，Dropout超参数等；
2. 数据扩充：随机旋转，平移，裁剪，缩放，添加颜色扰动，比如椒盐噪声，高斯噪声。

MSE评估

$$MS{E}_{loss}=\sqrt{\frac{{\sum }_{i=1}^n(y_i-\widehat{y_i}{)}^2}{n}}$$
  这是一个用来评测回归模型的常用指标。数值越大，说明效果越差，数值越小，说明效果越好。
  一个问题就是离群点对该评价指标的影响很大，