特征归一化对K Means有影响吗？是好的影响还是不好的影响？
3个回答
K均值中计算距离的方法应该可以有很多，如果以常用的欧氏距离作为计算距离的方法的话，归一化是好的。这样每个特性的重要性就会得到统一。
比如你想用K均值给动物分类，假如把重量（单位：克）作为一个特征，由于其数值和方差非常大（比如大象和松鼠），在计算距离的时候其它特征影响就显得就无关紧要。变成了主要按照重量来分类了。
有的距离计算方法可以忽略量纲的问题，比如余弦距离。这时候归一化应该没什么影响。
SofaSofa数据科学社区 DS面经 问答 实战
s3040608090
2017-12-18 18:41
简单来说，特征是否缩放须谨慎，最好在缩放前理解每个特征的含义（正如s3040608090所讲的体重的例子）。
至于影响可好可坏，要视整个上下文而定。
补充一句，基于距离的模型都会有“该不该缩放/标准化”的问题，比如说kNN。
SofaSofa数据科学社区 DS面经 问答 实战
岛歌
2017-12-19 15:23
对特征归一化当然会对聚类结果产生影响
比如下图中，如果我们进行2-Means，A,B,C是一个聚类，D和E一个聚类
下图中，我们对x轴进行了归一化，然后2-Means，A和B是一个聚类，C,D和E是一个聚类。
所以归一化对聚类的结果是有影响的。
sasa
2017-12-31 09:53
相关主题
通俗地解释c-means以及fuzzy c-means是什么意思
1回答
K-MEANS初始点选择的问题
2回答
进行K-Means聚类前，需要对数据做怎样的预处理？
1回答
二分法K Means的算法是什么？和普通的K Means有什么区别？
2回答
关于小批量K均值（mini-batch K Means）的问题
3回答
K-means怎么选K?
6回答
我们谢绝在回答前讲“生动”的故事。
我们谢绝“这么简单，你自己想”、“书上有的，你认真看”这类的回答；如果你认为对方的提问方式或者内容不妥，你可以直接忽略该问题，不用进行任何作答，甚至可以对该问题投反对票。
我们谢绝答非所问。
我们谢绝自己不会、硬要回答。
我们感激每一个用户在编写答案时的努力与付出！