数据预处理之归一化/标准化/正则化/零均值化

  • 一、标准化(Standardization)
  • 二、归一化（Normalization）
  • 三，中心化/零均值化 （Zero-centered）
  • 四、正则化
  • 五， boxcox变换
  • 六， 非线性归一化
    • sigmoid变换(sigmoid函数)
    • softmax变换(softmax函数)
  • 七，标准化(Standardization)与归一化(Normalization)的联系和差异
    • 1. 联系
    • 2. 差异
    • 3. 什么时候使用
    • 4. 是否所有情况都用Standardization或Normalization
  • 其它

一、标准化(Standardization)

统计学中叫Z-Score
将数据变换为均值μ为0，标准差σ为1的分布切记，并非一定是正态的；

将数据按期属性（按列进行）减去其均值，并处以其方差。得到的结果是，对于每个属性/每列来说所有数据都聚集在0附近，方差为1。

实现时，有两种不同的方式：

  • 使用sklearn.preprocessing.scale()函数，可以直接将给定数据进行标准化。
from sklearn import preprocessing
import numpy as np
X = np.array([[1., -1., 2.],[2., 0., 0.],[0., 1., -1.]])
X_scaled = preprocessing.scale(X)
print(X_scaled)
# 处理后数据的均值和方差
print(X_scaled.mean(axis=0))
print(X_scaled.std(axis=0))

[[ 0.         -1.22474487  1.33630621][ 1.22474487  0.         -0.26726124][-1.22474487  1.22474487 -1.06904497]]
[0. 0. 0.]
[1. 1. 1.]
  • 使用sklearn.preprocessing.StandardScaler类，使用该类的好处在于可以保存训练集中的参数（均值、方差）直接使用其对象转换测试集数据。
from sklearn import preprocessing
import numpy as np
X = np.array([[1., -1., 2.],[2., 0., 0.],[0., 1., -1.]])scaler = preprocessing.StandardScaler().fit(X)
print(scaler)print(scaler.mean_)
#print(scaler.std_)
scaler.transform(X)
# 可以直接使用训练集对测试集数据进行转换
print(scaler.transform([[-1., 1., 0.]]))

StandardScaler(copy=True, with_mean=True, with_std=True)
[1.         0.         0.33333333]
[[-2.44948974  1.22474487 -0.26726124]]

得到的结果分布和原分布是一样的。不一定是标准正态分布。
标准化的目的是统一规格。使大家都在同一个量纲上。不至于一个特征的量纲过大而导致整个模型无法收敛。

代码举例说明标准化后不一定是标准正态分布

import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt
import seaborn as sns
original_data = np.random.exponential(size =1000)
normalizad_data = (original_data- original_data.mean())/original_data.std()fig, ax = plt.subplots(1, 2)
sns.distplot(original_data, ax= ax[0])
ax[0].set_title("Original Data")
sns.distplot(normalizad_data, ax= ax[1])
ax[1].set_title("Normalizad Data ")
plt.show()

二、归一化（Normalization）

将一列数据变化到某个固定区间(范围)中，通常，这个区间是[0, 1]，广义的讲，可以是各种区间，比如映射到[0，1]一样可以继续映射到其他范围，图像中可能会映射到[0,255]，其他情况可能映射到[-1,1]；

Mean normalization：

这种方法是将属性缩放到一个指定的最大和最小值（通常是1-0）之间，这可以通过preprocessing.MinMaxScaler类实现。

使用这种方法的目的包括：
1、对于方差非常小的属性可以增强其稳定性。

2、维持稀疏矩阵中为0的条目。

from sklearn import preprocessing
import numpy as np
X_train = np.array([[1., -1., 2.],[2., 0., 0.],[0., 1., -1.]])min_max_scaler = preprocessing.MinMaxScaler()
X_train_minmax = min_max_scaler.fit_transform(X_train)
print(X_train_minmax)# 将相同的缩放应用到测试集数据中
X_test = np.array([[-3., -1., 4.]])
X_test_minmax = min_max_scaler.transform(X_test)
print(X_test_minmax)# 缩放因子等属性
print(min_max_scaler.scale_)print(min_max_scaler.min_)

[[0.5        0.         1.        ][1.         0.5        0.33333333][0.         1.         0.        ]]
[[-1.5         0.          1.66666667]]
[0.5        0.5        0.33333333]
[0.         0.5        0.33333333]

当然，在构造类对象的时候也可以直接指定最大最小值的范围：feature_range=(min, max)，此时应用的公式变为：

X_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))
X_scaled=X_std/(max-min)+min

代码举例说明标准化后不一定是标准正态分布

import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt
import seaborn as sns
original_data = np.random.exponential(size =1000)
normalizad_data = (original_data- original_data.mean())/original_data.std()fig, ax = plt.subplots(1, 2)
sns.distplot(original_data, ax= ax[0])
ax[0].set_title("Original Data")
sns.distplot(normalizad_data, ax= ax[1])
ax[1].set_title("Normalizad Data ")
plt.show()

三，中心化/零均值化 （Zero-centered）

另外，还有一种处理叫做中心化，也叫零均值处理，就是将每个原始数据减去这些数据的均值。
x′=x−μx' = x - μx′=x−μ

四、正则化

正则化的过程是将每个样本缩放到单位范数（每个样本的范数为1），如果后面要使用如二次型（点积）或者其它核方法计算两个样本之间的相似性这个方法会很有用。

正则化主要思想是对每个样本计算其p-范数，然后对该样本中每个元素除以该范数，这样处理的结果是使得每个处理后样本的p-范数（l1-norm,l2-norm）等于1。

L1 norm 是指对每个样本的每一个元素都除以该样本的L1范数.
L2 norm 是指对每个样本的每一个元素都除以该样本的L2范数.

p-范数的计算公式：∣∣X∣∣p=(∣x1∣p+∣x2∣p+...+∣xn∣p)1/p||X||p=(|x1|^p+|x2|^p+...+|xn|^p)^{1/p}∣∣X∣∣p=(∣x1∣p+∣x2∣p+...+∣xn∣p)1/p
该方法主要应用于文本分类和聚类中。例如，对于两个TF-IDF向量的l2-norm进行点积，就可以得到这两个向量的余弦相似性。

1、可以使用preprocessing.normalize()函数对指定数据进行转换：

from sklearn import preprocessing
import numpy as np
x = np.array([[1.,-1.,2.],[2.,0.,0.],[0.,1.,-1.]])x_normalized = preprocessing.normalize(x, norm='l2', copy=True)
print(x_normalized)#y = np.sqrt(x)
y = np.square(x)
y = np.sum(y, axis=1)
y = np.sqrt(y)
y = y[:, np.newaxis]
print(y)
print(x/y)

[[ 0.40824829 -0.40824829  0.81649658][ 1.          0.          0.        ][ 0.          0.70710678 -0.70710678]]
[[2.44948974][2.        ][1.41421356]]
[[ 0.40824829 -0.40824829  0.81649658][ 1.          0.          0.        ][ 0.          0.70710678 -0.70710678]]

2、可以使用processing.Normalizer()类实现对训练集和测试集的拟合和转换：

from sklearn import preprocessing
import numpy as np
x = np.array([[1.,-1.,2.],[2.,0.,0.],[0.,1.,-1.]])
normalizer = preprocessing.Normalizer().fit(x)  # fit does nothing
print(normalizer)print(normalizer.transform(x))print(normalizer.transform([[-1., 1., 0.]]))

Normalizer(copy=True, norm='l2')
[[ 0.40824829 -0.40824829  0.81649658][ 1.          0.          0.        ][ 0.          0.70710678 -0.70710678]]
[[-0.70710678  0.70710678  0.        ]]

补充：

五， boxcox变换

对数据的分布的进行转换，使其符合某种分布（比如正态分布）的一种非线性特征变换。
来自百度百科

import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as pltimport seaborn as snsoriginal_data = np.random.exponential(size =1000)
normalizad_data = stats.boxcox(original_data)[0]fig, ax = plt.subplots(1, 2)
sns.distplot(original_data, ax= ax[0])
ax[0].set_title("Original Data")
sns.distplot(normalizad_data, ax= ax[1])
ax[1].set_title("Normalizad Data ")
plt.show()

六， 非线性归一化

sigmoid变换(sigmoid函数)

softmax变换(softmax函数)

​

七，标准化(Standardization)与归一化(Normalization)的联系和差异

1. 联系

Standardization和Normalization本质上都是对数据的线性变换，广义的说，你甚至可以认为他们是同一个母亲生下的双胞胎，为何而言，因为二者都是不会改变原始数据排列顺序的线性变换：
假设原始数据为X ，
令α=Xmax−Xminα =X_{max}-X_{min}α=Xmax​−Xmin​ and β=Xminβ = X_{min}β=Xmin​ 很明显，数据给定后α 、 β就是常数)，
则X=Xi−βα=Xiα−βα=Xiα−cX =\frac{X_{i}-\beta}{\alpha}=\frac{X_{i}}{\alpha}-\frac{\beta}{\alpha}=\frac{X_{i}}{\alpha}-cX=αXi​−β​=αXi​​−αβ​=αXi​​−c
可见Normalization是一个线性变换，按α进行缩放，然后平移c个单位。
其实 Xi−βα\frac{X_{i}-\beta}{\alpha}αXi​−β​中的β 和α 就像是Standardization中的μ和σ(数据给定后，μ和σ也是常数)。线性变换，必不改变原始的排位顺序。

2. 差异

  1. Normalization会严格的限定变换后数据的范围，比如按之前最大最小值处理的Normalization，它的范围严格在[0,1]之间； 而Standardization就没有严格的区间，变换后的数据没有范围，只是其均值是0，标准差为1。
  2. 归一化(Normalization)对数据的缩放比例仅仅和极值有关，就是说比如100个数，你除去极大值和极小值其他数据都更换掉，缩放比例α=Xmax−Xminα=X_{max}-X_{min}α=Xmax​−Xmin​是不变的；反观，对于标准化(Standardization)而言，它的α= σ，β = μ，如果除去极大值和极小值其他数据都更换掉，那么均值和标准差大概率会改变，这时候，缩放比例自然也改变了。

3. 什么时候使用

如果你对处理后的数据范围有严格要求，那肯定是归一化，个人经验，标准化是ML中更通用的手段，如果你无从下手，可以直接使用标准化；如果数据不为稳定，存在极端的最大最小值，不要用归一化。在分类、聚类算法中，需要使用距离来度量相似性的时候、或者使用PCA技术进行降维的时候，标准化表现更好；在不涉及距离度量、协方差计算的时候，可以使用归一化方法。
PS：PCA中标准化表现更好的原因可以参考(PCA标准化)

4. 是否所有情况都用Standardization或Normalization

当原始数据不同维度特征的尺度(量纲)不一致时，需要标准化步骤对数据进行标准化或归一化处理，反之则不需要进行数据标准化。也不是所有的模型都需要做归一的，比如模型算法里面有没关于对距离的衡量，没有关于对变量间标准差的衡量。比如决策树，他采用算法里面没有涉及到任何和距离等有关的，所以在做决策树模型时，通常是不需要将变量做标准化的；另外，概率模型不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率。

其它

面试相关的。

标准化对逻辑回归有什么好处吗？

答案是有好处，进行标准化后，我们得出的参数值的大小可以反应出不同特征对样本label的贡献度，方便我们进行特征筛选。如果不做标准化，是不能这样来筛选特征的。

答到这里，有些厉害的面试官可能会继续问，做标准化有什么注意事项吗？

最大的注意事项就是先拆分出test集，不要在整个数据集上做标准化，因为那样会将test集的信息引入到训练集中，这是一个非常容易犯的错误！

数据预处理之归一化/标准化/正则化/零均值化相关推荐

  1. 数据预处理之中心化（零均值化）与标准化（归一化）

    数据预处理之中心化(零均值化)与标准化(归一化) 目的: 通过中心化和标准化处理,最终得到均值为0,标准差为1的服从标准正态分布的数据.可以取消由于量纲不同.自身变异或者数值相差较大所引起的误差. 原 ...

  2. matlab 均值中心化,数据预处理之中心化（零均值化）与标准化（归一化）

    在机器学习回归问题,以及训练神经网络过程中,通常需要对原始数据进行中心化(零均值化)与标准化(归一化)处理. 背景 在数据挖掘数据处理过程中,不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响 ...

  3. 数据预处理之标准化(Standardization)、归一化(Normalization)、中心化/零均值化(Zero-centered)

    一.数据标准化的意义: 1.数据的量纲不同:数量级差别很大 经过标准化处理后,原始数据转化为无量纲化指标测评值,各指标值处于同一数量级别,可进行综合测评分析. 如果直接用原始指标值进行分析,就会突出数 ...

  4. 数据归一化处理方法_数据预处理：归一化和标准化

    1. 概述 数据的归一化和标准化是特征缩放(feature scaling)的方法,是数据预处理的关键步骤.不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间 ...

  5. 神经网络中的网络优化和正则化（二）之参数初始化/数据预处理/逐层归一化

    转载请注明出处:https://thinkgamer.blog.csdn.net/article/details/101026786 博主微博:http://weibo.com/234654758 G ...

  6. 矩阵归一化、标准化、中心化/零均值化

    import numpy as npX = np.random.randint(0,5,[4,4]).astype(float)print(X)X-=np.mean(X,axis=0)X/=np.st ...

  7. 归一化 （Normalization）、标准化 （Standardization）和中心/零均值化 （Zero-centered）

    目录 一.概念 1.归一化(Normalization): 2.标准化(Standardization): 3.中心化/零均值化(zero-centered): 二.联系和差异: 三.标准化和归一化的 ...

  8. 归一化 （Normalization）、标准化 （Standardization）和中心化/零均值化 （Zero-centered）...

    博主学习的源头,感谢!https://www.jianshu.com/p/95a8f035c86c 归一化 (Normalization).标准化 (Standardization)和中心化/零均值化 ...

  9. 数据预处理方式：标准化/正态分布/zscore/scale/

    一.数据预处理 在实际数据分析工作中,我们会得到各种各样的数据,例如:存在缺失值,存在重复值,数据量纲单位不同等,这就要求我们在使用之前对数据进行预处理,一般为针对不同生物学特征和数据集数据的不同而选 ...

最新文章

  1. archlinux常用的包管理器
  2. ADExchange2010 简单安装部署（二）
  3. AI大牛压箱底的14本2018年进阶书（附PDF链接）
  4. redis有值查询返回null_redis运行lua脚本hmget返回值为空判断问题-Go语言中文社区...
  5. linux 负载命令,通过Linux命令查看系统平均负载的方法
  6. Lynis 检测自身安全漏洞工具（本机）
  7. Python编程基础19：封装、继承与多态
  8. 果皇的矩阵[matrix]
  9. Android RecyclerView初体验
  10. plus webview关闭事件监听
  11. python小课账号转卖_Python小课笔记--Python报错处理
  12. 利用html创建pdf文件
  13. uniappd的web-view组件无法动态加载本地html文件的解决办法
  14. 官方教你如何为centos 7.x 安装Broadcom无线网卡驱动
  15. 摩尔定律即将走向终结？对未来更广阔世界影响的55个预测！
  16. Double 保留至小数点后两位
  17. 微信小程序实现押金管理(支付押金、申请退还押金、押金明细)
  18. Windows10开机之后进BIOS
  19. 只要35+的程序员，招聘广告开始玩噱头？
  20. 统计双色球各个数字的中奖概率

热门文章

  1. Dom4J__ZZ_我的示例代码
  2. 【原创】CLEVO P157SM外接鼠标键盘失灵解决：更换硅脂（附带最新跑分数据）
  3. 含泪挥手告别RHCE
  4. Eclipse中JBOSS5.1无法启动的问题解决办法
  5. Ngnix安装的几种常用方式
  6. 容器编排技术 -- Kubernetes 使用 PodPreset 将信息注入 Pods
  7. 容器编排技术 -- Kubernetes 在 Namespace 中配置默认的CPU请求与限额
  8. ElasticSearch--Jdbc导入插件
  9. Python——五分钟理解函数式编程与闭包
  10. sysv-rc-conf --- Linux设置开机自动启动