百面机器学习第一章——特征工程（基本是百面机器学习书的内容）

01、特征归一化

——————————————————————————————————————————
场景描述

为了消除数据特征之间的量纲影响，我们需要对特征进行归一化处理，使得不同指标之间具有可比性。例如，分析一个人的身高和体重对健康的影响，如果使用米（m）和千克（kg）作为单位，那么身高特征会在1.6～1.8m的数值范围内，体重特征会在50～100kg的范围内，分析出来的结果显然会倾向于数值差别比较大的体重特征。想要得到更为准确的结果，就需要进行特征归一化（Normalization）处理，使各指标处于同一数值量级，以便进行分析。

同样，当利用到欧几里得公式计算数据之间的距离的时候，如果两个特征之间的量纲不同，差别很大，那么计算得到的欧几里得距离会受到量纲较大的特征的影响，容易导致忽略量纲较小的数据，这样会导致有用信息的丢失，容易导致错误数据信息的获取。
——————————————————————————————————————————
知识点——特征归一化

问题：为什么需要对数值类型的特征做归一化？

分析与解答

对数值型的特征做归一化可以将所有的特征都统一到一个大致相同的数值区间内。最常用的方法主要有以下两种。

（1）线性函数归一化（Min-Max Scaling）。它对原始数据进行线性变换，使结果映射到[0,1]的范围内，实现对原始数据的等比缩放。归一化公式如下：

其中X为原始数据，Xmax、Xmin分别为数据最大值和最小值。

（2）零均值归一化（Z-Score Normalization）。它会将原始数据映射到均值为 0、标准差为1的分布上。具体来说，假设原始特征的均值为μ、标准差为σ，那么 归一化公式定义为

——————————————————————————————————————————
为什么需要对数值型特征做归一化呢？我们不妨借助随机梯度下降的实例来 说明归一化的重要性。假设有两种数值型特征，x1的取值范围为 [0, 10]，x2的取值 范围为[0, 3]，于是可以构造一个目标函数符合图1.1（a）中的等值图。

在学习速率相同的情况下，x1的更新速度会大于x2，需要较多的迭代才能找到 最优解。如果将x1和x2归一化到相同的数值区间后，优化目标的等值图会变成图 1.1（b）中的圆形，x1和x2的更新速度变得更为一致，容易更快地通过梯度下降找 到最优解。

——————————————————————————————————————————
当然，数据归一化并不是万能的。在实际应用中，通过梯度下降法求解的模 型通常是需要归一化的，包括线性回归、逻辑回归、支持向量机、神经网络等模 型。但对于决策树模型则并不适用，以C4.5为例，决策树在进行节点分裂时主要 依据数据集D关于特征x的信息增益比（详见第3章第3节），而信息增益比跟特征 是否经过归一化是无关的，因为归一化并不会改变样本在特征x上的信息增益。