Normalization es bueno cuando sabe que la distribución de sus datos no sigue una distribución gaussiana. … La estandarización, por otro lado, puede ser útil en los casos en que los datos siguen una distribución gaussiana.
¿Debo usar normalización o estandarización?
La normalización es útil cuando sus datos tienen escalas variables y el algoritmo que está utilizando no hace suposiciones sobre la distribución de sus datos, como k-vecinos más cercanos y redes neuronales artificiales. Estandarización asume que sus datos tienen una distribución gaussiana (curva de campana).
¿Es lo mismo la estandarización que la normalización?
En el mundo de los negocios, "normalización" generalmente significa que el rango de valores están "normalizados para ser desde 0.0 a 1.0". "Estandarización" normalmente significa que el rango de valores está "estandarizado" para medir cuántas desviaciones estándar hay entre el valor y su media.
¿Siempre es bueno normalizar los datos?
Al normalizar, en realidad está descartando cierta información sobre los datos, como los valores absolutos máximo y mínimo. Entonces, no hay una regla empírica. Como dijeron otros, la normalización no siempre es aplicable; p.ej. desde un punto de vista práctico.
¿Cuándo no debe normalizar los datos?
Algunas buenas razones para no normalizar
- Las uniones son caras. La normalización de su base de datos a menudo implica la creación de muchas tablas. …
- El diseño normalizado es difícil. …
- Rápido y sucio debe ser rápido y sucio. …
- Si está utilizando una base de datos NoSQL, la normalización tradicional no es deseable.
