在机器学习和深度学习中,我们经常要对输入的数据做归一化或者在隐藏层使用Batch-Normlization(BN)操作,将数据范围缩放到[0,1]或者[-1, 1]之间,主要作用:可以加快神经网络训练速度,防止过拟合。
然而无论做归一化还是BN处理,虽然将数据的均值变为0,方差变为1,但是数据的整体分布并不一定服从标准的正态分布(实际数据大部分时候都不会是),做归一化和BN时,我们求出来的均值和方差,并不能说明我们数据是服从正态分布的。
正态化的原因:
- 有些模型应用条件就是要求数据满足正态性分布。如:贝叶斯、逻辑回归,KNN,Kmeans等涉及到概率分布、参数距离比较等,转换为正态分布,模型条件更充足。但并不意味着你的模型结果会更好一点。
- 其次正态分布,数据的泛化性高。因为自然界很多事物的概率密度很大是正态分布。
- 从目标分布来说,偏态分布会导致label数据的MSE出现误导,或许结果看着很小,但实际结果很大,你可以考虑纠正一下分布正态性。
- 我们在进行机器学习/深度学习训练的时候,往往希望数据越接近正态分布越好,这样对于训练效果会有明显的提升。
不适合正态化的数据:
- 如果是分类预测,你的特征-标签联合分布是一簇一簇的,没意义。另外分类中特征为正态分布,不太适合做有效特征(相关性很小的,几乎没有贡献)。
- 如果是Tree model,对数据正态分布转换没有意义,他本质是划分特征,根据数据分布,不断去划分数据,最终得到各个叶节点,机器自己给你划分。你做了正态分布转换,只是让机器好划分一些。
什么时候做正态化?
偏态分布最好纠正,或许有用(理论上有用,实际上可能没用,因为数据量的分布限制)。这就好比于“你打个喷嚏可以吃板蓝根,或许有用,或许没用,但绝对不会导致你喷嚏更加严重”,就是说针对偏态分布,你可以正态化一下,肯定不会有影响哈哈哈。
什么时候不做正态化?
不是说所有分布都要转换为正态分布的,因为你不能保证正态分布就很有效,其次不是所有数据分布都类似于正态分布,可能是其他乱七八槽的分布,又或许是大数定理下的分布渐进正态性。(比如泊松分布、卡方分布等),针对这些非正态分布你就别动它啦。
Kaggle正态化例子:
见上篇文章House Prices: Advanced Regression Techniques的一篇Notebook