归一化之后再划分数据集还是划分数据集再归一化

一般来说，应该是先将数据集划分为训练集、验证集和测试集等子集，然后再对每个子集进行归一化处理。这是因为在划分数据集时，我们需要保证各个子集之间的样本不重复，同时要保证各个子集中的样本比例符合预期的比例。如果先对整个数据集进行归一化处理，会破坏数据集中各个子集之间的关系，导致划分出来的子集之间的样本重复或者不符合预期的比例。

因此，正确的做法是先将原始数据集划分为训练集、验证集和测试集等子集，然后对每个子集进行归一化处理。归一化处理可以使用均值方差归一化、最大最小值归一化等方法，将各个特征的值范围限制在相同的区间内，从而提高模型训练的效果和稳定性。

相关问题

归一化之后再划分数据集

归一化数据集之后，通常需要将数据集划分为训练集、验证集和测试集等多个子集，以便进行模型的训练、调优和评估。在划分数据集之前，需要先确定数据集的划分比例，一般来说，训练集、验证集和测试集的比例可以根据具体问题和数据集的大小而定。例如，对于小型数据集，可以采用70%的数据作为训练集，15%的数据作为验证集，15%的数据作为测试集；对于大型数据集，可以适当增加训练集的比例，比如80%或90%等。

在划分数据集之前，需要先将数据集进行随机化处理，以避免数据集中的样本顺序对模型造成影响。随机化处理后，可以使用工具库中的函数或者手动编写代码将数据集划分为训练集、验证集和测试集等多个子集。注意，划分数据集时需要保证各个子集之间的样本不重复，同时要保证各个子集中的样本比例符合预期的比例。划分好数据集后，就可以开始进行模型的训练、调优和评估等工作了。

归一化和划分数据集的顺序

归一化和划分数据集的顺序一般是先进行数据集的划分，再对划分后的训练集和测试集进行归一化处理。

原因是，如果先进行归一化处理，再进行数据集的划分，可能会导致测试集中出现训练集中没有出现的数据，进而导致模型在测试集上的评估结果不准确。

因此，一般应该先将数据集划分为训练集和测试集，再对训练集和测试集分别进行归一化处理。这样可以确保测试集中的数据不会影响到归一化的均值和方差，并且可以更准确地评估模型的性能。