LR 和神经网络不做标准化的影响
哪些公司问过
答案要点
- 无正则 LR:缩放特征后系数反向缩放,最优解预测等价,主要影响收敛速度
- 有正则 LR:惩罚依赖系数尺度,不标准化会让正则对不同特征不公平,改变最终模型
- 梯度下降在尺度差异大时损失面狭长,震荡、收敛慢、学习率难选
- 神经网络对输入尺度敏感,易激活饱和、梯度消失或爆炸,通常需标准化
- 树模型按阈值切分,对单调缩放基本不敏感
易错点
- 笼统说“LR 不标准化结果会变差”,没区分有无正则
- 在全量数据上计算标准化参数造成数据泄漏
- 认为树模型也必须标准化
面试官常见追问
- 算法层面解决梯度爆炸有哪些方式?
- 标准化的均值方差应该用什么数据算?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。