KNN应该使用哪种类型的数据规范化？

我知道有两种以上的规范化类型。

例如，

1-使用z分数或t分数转换数据。这通常称为标准化。

2-重新缩放数据以使其值介于0和1之间。

现在的问题，是否需要归一化

KNN应该使用哪种类型的数据规范化？为什么？

对于k-NN，我建议将到之间的数据标准化。$0$$1$

k-NN使用欧几里得距离作为比较示例的手段。计算两点之间的距离和 ，其中f_1 ^ i是x_1的第i个特征的值：X 2 = （˚F 1 2，˚F 2 2，。。。，˚F 中号2）˚F 我1我X $x_1 = (f_1^1, f_1^2, ..., f_1^M)$$x_2 = (f_2^1, f_2^2, ..., f_2^M)$$f_1^i$$i$$x_1$

为了使所有特征在计算距离时都具有同等的重要性，这些特征必须具有相同的值范围。这只能通过归一化来实现。

如果未对它们进行归一化，则特征在）中具有值的范围，而在具有值的范围。在计算距离时，第二项的重要性要比第一项高倍，从而导致k-NN更加依赖第二项特征。规范化可确保将所有要素映射到相同的值范围。$f^1$$[0, 1$$f^2$$[1, 10)$$10$

另一方面，标准化确实具有许多有用的属性，但是不能确保将要素映射到相同的范围。尽管标准化可能最适合其他分类器，但k-NN或任何其他基于距离的分类器却并非如此。