机器学习——标准化/归一化的目的、作用和场景

（一）归一化的作用

在机器学习领域中，不同评价指标（即特征向量中的不同特征就是所述的不同评价指标）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，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。其中，最典型的就是数据的归一化处理。（可以参考学习：数据标准化/归一化）

简而言之，归一化的目的就是使得预处理的数据被限定在一定的范围内（比如[0,1]或者[-1,1]），从而消除奇异样本数据导致的不良影响。

1）在统计学中，归一化的具体作用是归纳统一样本的统计分布性。归一化在0~1之间是统计的概率分布，归一化在-1~+1之间是统计的坐标分布。

2）奇异样本数据是指相对于其他输入样本特别大或特别小的样本矢量（即特征向量），譬如，下面为具有两个特征的样本数据x1、x2、x3、x4、x5、x6（特征向量—>列向量）,其中x6这个样本的两个特征相对其他样本而言相差比较大，因此，x6认为是奇异样本数据。

奇异样本数据的存在会引起训练时间增大，同时也可能导致无法收敛，因此，当存在奇异样本数据时，在进行训练之前需要对预处理数据进行归一化；反之，不存在奇异样本数据时，则可以不进行归一化。

解释范例：http://www.cnblogs.com/silence-tommy/p/7113498.html

--如果不进行归一化，那么由于特征向量中不同特征的取值相差较大，会导致目标函数变“扁”。这样在进行梯度下降的时候，梯度的方向就会偏离最小值的方向，走很多弯路，即训练时间过长。

--如果进行归一化以后，目标函数会呈现比较“圆”，这样训练速度大大加快，少走很多弯路。

综上可知，归一化有如下好处，即

1）归一化后加快了梯度下降求最优解的速度；

2）归一化有可能提高精度（如KNN）

注：没有一种数据标准化的方法，放在每一个问题，放在每一个模型，都能提高算法精度和加速算法的收敛速度。

（二）归一化的方法

1）最大最小标准化（Min-Max Normalization）

a）. 本归一化方法又称为离差标准化，使结果值映射到[0 ，1]之间，转换函数如下：

b）. 本归一化方法比较适用在数值比较集中的情况；

c）. 缺陷：如果max和min不稳定，很容易使得归一化结果不稳定，使得后续使用效果也不稳定。实际使用中可以用经验常量来替代max和min。

d）. 应用场景：在不涉及距离度量、协方差计算、数据不符合正太分布的时候，可以使用第一种方法或其他归一化方法（不包括Z-score方法）。比如图像处理中，将RGB图像转换为灰度图像后将其值限定在[0 255]的范围

2）Z-score标准化方法

a）. 数据处理后符合标准正态分布，即均值为0，标准差为1，其转化函数为：

其中μ为所有样本数据的均值，σ为所有样本数据的标准差。

b）. 本方法要求原始数据的分布可以近似为高斯分布，否则归一化的效果会变得很糟糕；

c）. 应用场景：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，Z-score standardization表现更好。

3）非线性归一化

a）. 本归一化方法经常用在数据分化比较大的场景，有些数值很大，有些很小。通过一些数学函数，将原始值进行映射。

b）. 该方法包括 log，正切等，需要根据数据分布的情况，决定非线性函数的曲线：

---log对数函数转换方法

y = log10(x)，即以10为底的对数转换函数，对应的归一化方法为：x' = log10(x) /log10(max)，其中max表示样本数据的最大

值，并且所有样本数据均要大于等于1.

---atan反正切函数转换方法

利用反正切函数可以实现数据的归一化，即

x' = atan(x)*(2/pi)

使用这个方法需要注意的是如果想映射的区间为[0，1]，则数据都应该大于等于0，小于0的数据将被映射到[－1，0]区间上.

---L2范数归一化方法

L2范数归一化就是特征向量中每个元素均除以向量的L2范数：

（三）应用场景说明

1）概率模型不需要归一化，因为这种模型不关心变量的取值，而是关心变量的分布和变量之间的条件概率；

2）SVM、线性回归之类的最优化问题需要归一化，是否归一化主要在于是否关心变量取值；

3）神经网络需要标准化处理，一般变量的取值在-1到1之间，这样做是为了弱化某些变量的值较大而对模型产生影响。一般神经网络中的隐藏层采用tanh激活函数比sigmod激活函数要好些，因为tanh双曲正切函数的取值[-1,1]之间，均值为0.

4）在K近邻算法中，如果不对解释变量进行标准化，那么具有小数量级的解释变量的影响就会微乎其微。

（四）参考文献：
[1] http://blog.csdn.net/acdreamers/article/details/44664205

[2] http://www.cnblogs.com/silence-tommy/p/7113498.html

[3] http://blog.csdn.net/debug_snail/article/details/51781046

[4] http://www.open-open.com/lib/view/open1429697131932.html

[5] http://www.cnblogs.com/chaosimple/archive/2013/07/31/3227271.html

[6] http://blog.csdn.net/zbc1090549839/article/details/44103801

[7] http://blog.csdn.net/uestc_c2_403/article/details/75804617

[8] http://blog.csdn.net/u011650143/article/details/71515927
---------------------
作者：o_Eagle_o
来源：CSDN
原文：https://blog.csdn.net/zenghaitao0128/article/details/78361038
版权声明：本文为博主原创文章，转载请附上博文链接！

机器学习——标准化/归一化的目的和作用相关推荐

机器学习——标准化/归一化的目的、作用和场景
对每个特征进行归一化处理,使得每个特征的取值缩放到0~1之间.这样做有两个好处: 模型训练更高效. 特征前的权重大小可代表该变量对预测结果的贡献度(因为每个特征值本身的范围相同). (一)归一化的作用 ...
机器学习中数据预处理——标准化/归一化方法（scaler）
由于工作问题比较忙,有两周没有总结一下工作学习中遇到的问题. 这篇主要是关于机器学习中的数据预处理的scaler变化. 工作中遇到的问题是:流量预测问题,拿到的数据差距非常大,凌晨的通话流量很少几乎为 ...
均值归一化_机器学习之归一化（Normalization)
一般做机器学习应用的时候大部分时间是花费在特征处理上,其中很关键的一步就是对特征数据进行归一化,那么为什么要归一化呢? 目录: 定义优点方法结构一.定义数据标准化(Normalization ...
pandas数据预处理(标准化归一化、离散化/分箱/分桶、分类数据处理、时间类型数据处理、样本类别分布不均衡数据处理、数据抽样)
1. 数值型数据的处理 1.1 标准化&归一化数据标准化是一个常用的数据预处理操作,目的是处理不同规模和量纲的数据,使其缩放到相同的数据区间和范围,以减少规模.特征.分布差异等对模型的影响. ...
机器学习三归一化_正则化_多项式升维
一. 归一化 1.归一化的目的把数据变为(0,1)之间的数 ,使得在梯度下降的过程中,不同维度的θ值(或w)参数可以在接近的调整幅度上.保持数据在迭代过程中的θ值幅度基本一致. 2.常用的归一化类别 ...
标准化作业指导书的作用是什么？如何制作标准化作业指导书？
如今,市场竞争日益激烈,很多企业为了增强竞争力,制定了生产作业指导书,但是由于这些指导书是凭人为经验制作而成,会出现层次低.质量差,对加工.生产的指导作用不明显的缺陷.而想要在行业中提高竞争力,制定标 ...
数据处理之标准化/归一化方法
数据处理之标准化/归一化方法归一化方法(Normalization Method) 1.把数变为(0,1)之间的小数主要是为了数据处理方便提出来的,把数据映射到0-1范围之内处理,更加便捷快速,应 ...
dataframe数据标准化处理_数据预处理——标准化/归一化（实例）
这次我们来说说关于数据预处理中的数据标准化及归一化的问题.主要以理论+实例的方式为大家展示. 本次实验也将会展示部分数据以及代码,有兴趣的小伙伴可以自己动手试试~ 在本次实例过程中,我们使用的数据是: ...
Python机器学习--KNN归一化、距离的惩罚
1. 归一化 1.1 距离类模型归一化的需求什么是归一化呢?我们把X放到数据框中来看一一眼, 你是否观察到,每个特征的均值差异很大?有的特征数值很大.有的特征数值很小,这种现象在机器学习中被称为&q ...

机器学习——标准化/归一化的目的和作用