Normalisation est utile lorsque vous savez que la distribution de vos données ne suit pas une distribution gaussienne. … La normalisation, en revanche, peut être utile dans les cas où les données suivent une distribution gaussienne.
Dois-je utiliser la normalisation ou la standardisation ?
La normalisation est utile lorsque vos données ont des échelles variables et que l'algorithme que vous utilisez ne fait aucune hypothèse sur la distribution de vos données, comme les k plus proches voisins et les réseaux de neurones artificiels. Standardization suppose que vos données ont une distribution gaussienne (courbe en cloche).
La normalisation est-elle identique à la normalisation ?
Dans le monde des affaires, la "normalisation" signifie généralement que la plage de valeurs sont "normalisées à partir de 0.0 à 1,0". "Standardisation" signifie généralement que la plage de valeurs est "normalisée" pour mesurer le nombre d'écarts types entre la valeur et sa moyenne.
Est-il toujours bon de normaliser les données ?
En normalisant, vous jetez en fait certaines informations sur les données telles que les valeurs maximales et minimales absolues. Donc, il n'y a pas de règle empirique. Comme d'autres l'ont dit, la normalisation n'est pas toujours applicable; par exemple. d'un point de vue pratique.
Quand ne devriez-vous pas normaliser les données ?
Quelques bonnes raisons de ne pas normaliser
- Les jointures coûtent cher. La normalisation de votre base de données implique souvent la création de nombreuses tables. …
- La conception normalisée est difficile. …
- Vite et sale devrait être rapide et sale. …
- Si vous utilisez une base de données NoSQL, la normalisation traditionnelle n'est pas souhaitable.
