机器学习6（数据归一化）

数据归一化

• 机器学习领域的优化方法分类很多类，包括模型结果优化、评估指标优化、收敛过程优化等等，此处介绍的是围绕梯度下降过程的收敛过程优化方法
• 概述：数据归一化方法的本质是一种对数据进行线性转换的方法，通过构建一种样本空间之间的线性映射关系来进行数据数值的转化
  • 这种转化并不会影响数据分布，即不会影响数据的内在规律，只是对数据的数值进行调整
  • 数据归一化有很多方法，并且在机器学习领域有诸多用途，不仅是能够作为梯度下降的优化算法，同时还能帮助一些数据集避免量纲不一致等问题
• 归一化和标准化
  • 一般来说，归一化和标准化都是指对数据进行数值转化，根据维基百科的解释，都是Feature scaling(特征缩放)的方法，并且都可以称为normalization。但某些场景下也会有不同的称呼，例如将0-1标准化称为normalization，也就是归一化，而把Z-Score标准化称为Standardization，即标准化。课上对二者概念不做具体区分

计算公式

• 经典机器学习领域的数据归一化算法主要有两种，分别是0-1标准化（Max-Min Normalization）和Z-Score标准化

Max-Min Normalization

• 最简单同时也是最常用的标准化方法