feature scaling小结

原文链接：https://blog.csdn.net/blogshinelee/article/details/102875044

1 前言

在对特征进行预处理的时候，很重要的一步就是feature scaling，中文经常翻译成归一化(scale), 标准化(normalization)，等等不同的说法。
为什么要进行归一化？最主要的原因有两点：
1.不同特征之间的尺度不一样，那么在计算距离的时候，如果不对原始特征进行处理，某一维尺度特别大的特征会占主导，别的尺度小的特征基本体现不出来。

2.不同特征之间的尺度不一样，loss function的等高线图有可能为椭圆形。而梯度的方向垂直与等高线，梯度下降的时候会走zigzag行路线，而不指向局部最小值的方向，这样会造成收敛速度慢甚至不收敛。

2 常见的feature scaling方法

1.Rescaling
将某一为特征线性映射到目标范围[a,b]，即最小值对应a，最大值对应为b。
$$x^{\prime }=a+\frac{(x-x_{min})(b-a)}{x_{max}-x_{min}}$$

我们最常用的为归一化，即将特征映射到[0,1]区间
$$x^{\prime }=\frac{x-x_{min}}{x_{max}-x_{min}}$$

2. 均值化(Mean normalization)
   $$x^{\prime }=\frac{x-\overline{x}}{x_{max}-x_{min}}$$
   上面的公式，将均值映射为0，同时用最大最小值差进行归一化。

3.标注化(Standardization)
$$x^{\prime }=\frac{x-\overline{x}}{\sigma }$$
与均值化的区别在于，将分母变成了标准差。

4.Scaling to unit length
$$x^{\prime }=\frac{x}{||x||}$$

将每个样本的特征向量除以其长度，即对样本特征向量的长度进行归一化，长度的度量常使用的是L2 norm，有时也会采用L1 norm。

3.计算方式的比较

前3种feature scaling的计算方式为减一个统计量再除以一个统计量，最后1种为除以向量自身的长度。

1.减一个统计量可以看成选哪个值作为原点，是最小值还是均值，并将整个数据集平移到这个新的原点位置。如果特征间偏置不同对后续过程有负面影响，则该操作是有益的，可以看成是某种偏置无关操作；如果原始特征值有特殊意义，比如稀疏性，该操作可能会破坏其稀疏性。

2.除以一个统计量可以看成在坐标轴方向上对特征进行缩放，用于降低特征尺度的影响，可以看成是某种尺度无关操作。缩放可以使用最大值最小值间的跨度，也可以使用标准差（到中心点的平均距离），前者对outliers敏感，outliers对后者影响与outliers数量和数据集大小有关，outliers越少数据集越大影响越小。

3.除以长度相当于把长度归一化，把所有样本映射到单位球上，可以看成是某种长度无关操作，比如，词频特征要移除文章长度的影响，图像处理中某些特征要移除光照强度的影响，以及方便计算余弦距离或内积相似度等。

总的来说，归一化/标准化的目的是为了获得某种“无关性”——偏置无关、尺度无关、长度无关……当归一化/标准化方法背后的物理意义和几何含义与当前问题的需要相契合时，其对解决该问题就有正向作用，反之，就会起反作用。所以，“何时选择何种方法”取决于待解决的问题，即problem-dependent。

4.feature scaling 需要还是不需要

什么时候需要feature scaling？

涉及或隐含距离计算的算法，比如K-means、KNN、PCA、SVM等，一般需要feature scaling，因为：

zero-mean一般可以增加样本间余弦距离或者内积结果的差异，区分力更强，假设数据集集中分布在第一象限遥远的右上角，将其平移到原点处，可以想象样本间余弦距离的差异被放大了。在模版匹配中，zero-mean可以明显提高响应结果的区分度。

就欧式距离而言，增大某个特征的尺度，相当于增加了其在距离计算中的权重，如果有明确的先验知识表明某个特征很重要，那么适当增加其权重可能有正向效果，但如果没有这样的先验，或者目的就是想知道哪些特征更重要，那么就需要先feature scaling，对各维特征等而视之。

损失函数中含有正则项时，一般需要feature scaling：对于线性模型y=wx+b而言，x的任何线性变换（平移、放缩），都可以被w和b“吸收”掉，理论上，不会影响模型的拟合能力。但是，如果损失函数中含有正则项，如λ∣∣w∣∣^2，λ为超参数，其对w的每一个参数施加同样的惩罚，但对于某一维特征xi而言，其scale越大，系数wi越小，其在正则项中的比重就会变小，相当于对wi惩罚变小，即损失函数会相对忽视那些scale增大的特征，这并不合理，所以需要feature scaling，使损失函数平等看待每一维特征。

梯度下降算法，需要feature scaling

对于传统的神经网络，对输入做feature scaling也很重要，因为采用sigmoid等有饱和区的激活函数，如果输入分布范围很广，参数初始化时没有适配好，很容易直接陷入饱和区，导致梯度消失，所以，需要对输入做Standardization或映射到[0,1]、[−1,1]，配合精心设计的参数初始化方法，对值域进行控制。但自从有了Batch Normalization，每次线性变换改变特征分布后，都会重新进行Normalization，似乎可以不太需要对网络的输入进行feature scaling了？但习惯上还是会做feature scaling。

什么时候不需要Feature Scaling？

与距离计算无关的概率模型，不需要feature scaling，比如Naive Bayes；

与距离计算无关的基于树的模型，不需要feature scaling，比如决策树、随机森林等，树中节点的选择只关注当前特征在哪里切分对分类更好，即只在意特征内部的相对大小，而与特征间的相对大小无关。