深度学习每日一问：为什么要对数据归一化（数据预处理）

首先，我们要知道在机器学习某些算法中，是不需要数据归一化的，比如树型model；而当数据的多个特征属性，其量纲不一，但是其需要使用GD迭代更新构建模型，此时加入归一化就可以一定程度上增加模型学习能力。

归一化的好处：

1. 一定程度提高模型精度
   在机器学习或者深度学习中，大多模型的loss计算，需要假定数据的所有特征都是零均值并且具有同一阶方差的。这样在计算loss时，才能将所有特征属性统一处理。
   比如，在KNN中，我们需要计算样本之间的欧式距离，如果样本两个属性的量纲差距过大，则大量纲的属性在距离计算中就占据了主导地位。而现实中，可能恰恰相反。所以，加入归一化，将数据的特征属性scale到统一量纲，可以一定程度解决这个问题。
2. 提升收敛速度
   对于使用梯度下降优化的模型，每次迭代会找到梯度最大的方向迭代更新模型参数。但是，如果模型的特征属性量纲不一，那么我们寻求最优解的特征空间，就可以看做是一个椭圆形的，其中大量冈的属性对应的参数有较长的轴。在更新过程中，可能会出现更新过程不是一直朝向极小点更新的，而是呈现‘Z’字型。使用了归一化对齐量纲之后，更新过程就变成了在近似圆形空间，不断向圆心（极值点）迭代的过程：
   
   

为什么树形model不需要归一化：

因为数值的缩放是不影响分裂点的位置，对数据进行缩放预处理并不会对树模型造成任何影响。分裂点的位置是和特征值的相对分布相关的。
而且，树模型的构建是一个不断寻找最佳分裂点的过程，而不像LR、NN等，使用梯度下降不断迭代更新生成的。

归一化方法

标准化
对数据的特征属性减去均值，除以方差。转化为均值为0，方差为1的标准正态分布。$x=(x-\mu )/\sigma$.
一般，我们会记录训练集上的均值和方差，对训练集进行标准化之后，在后续测试使用模型时，对测试数据使用训练集上的方差和均值标准化测试集。
这种方法对离群噪声点的鲁棒性较高。但是，离群点也会参与方差和均值的计算，如果离群点太多，还是会影响性能。
max-min归一化
通过$x=(x-\min )/(\max -\min )$将数据线性缩放到【0，1】之间，缺点是，有新点加入时，可能影响min、max，进而改变归一化结果。所以，其对噪声点很敏感。
优点就是，这种方法可以保留稀疏特征中的0， 并且可以解决到特征的方差很小的情况时的数据。

还一个类似的方法，就是Maxabsscale， 每个特征除以该特征的绝对值最大的特征值，将特征缩放到【-1， 1】之间。图像处理中，经常一个操作就是将int型图片矩阵，除以255转化为double型图片矩阵

参考

机器学习数据预处理——标准化/归一化方法