机器学习、数据挖掘工作中,数据前期准备、数据预处理过程、特征提取等几个步骤几乎要花费数据工程师一半的工作时间。同时,数据预处理的效果也直接影响了后续模型能否有效的工作。然而,目前的大部分学术研究主要集中在模型的构建、优化等方面,对数据预处理的理论研究甚少,可以说,很多数据预处理工作仍然是靠工程师的经验进行的。从业数据建模/挖掘工作也有近2年的时间,在这里结合谈一谈数据预处理中归一化方法。
在之前的博客中转载了一篇关于维归约的文章:数据预处理之归一化。论述的比较简单,有兴趣的可以先了解一下。
在这里主要讨论两种归一化方法:
1、线性函数归一化(Min-Max scaling)
线性函数将原始数据线性化的方法转换到[0 1]的范围,归一化公式如下:
该方法实现对原始数据的等比例缩放,其中Xnorm为归一化后的数据,X为原始数据,Xmax、Xmin分别为原始数据集的最大值和最小值。
2、0均值标准化(Z-score standardization)
0均值归一化方法将原始数据集归一化为均值为0、方差1的数据集,归一化公式如下:
其中,μ、σ分别为原始数据集的均值和方法。该种归一化方式要求原始数据的分布可以近似为高斯分布,否则归一化的效果会变得很糟糕。
以上为两种比较普通但是常用的归一化技术,那这两种归一化的应用场景是怎么样的呢?什么时候第一种方法比较好、什么时候第二种方法比较好呢?下面做一个简要的分析概括:
1、在分类、聚类算法中,需要使用距离来度量相似性的时候、或者使用PCA技术进行降维的时候,第二种方法(Z-score standardization)表现更好。
2、在不涉及距离度量、协方差计算、数据不符合正太分布的时候,可以使用第一种方法或其他归一化方法。比如图像处理中,将RGB图像转换为灰度图像后将其值限定在[0 255]的范围。
为什么在距离度量计算相似性、PCA中使用第二种方法(Z-score standardization)会更好呢?我们进行了以下的推倒分析:
归一化方法对方差、协方差的影响:假设数据为2个维度(X、Y),首先看0均值对方法、协方差的影响:
先使用第二种方法进行计算,我们先不错方差归一化,只做0均值化,变换后数据为
x′=x−x¯ 、 y′=y−y¯
新数据的协方差为
σ′xy=1n−1∑in(x′i−x¯′)(y′i−y¯′)
由于
x¯′=0
、
y¯′=0
,因此
σ′xy=1n−1∑inx′iy′i
而原始数据协方差为
σxy=1n−1∑in(x′i−x¯′)(yi−y¯)
=1n−1∑in(x′i−0)(yi−y¯)
=1n−1∑in(xi−x¯)(yi−y¯)
因此 σ′xy=σxyσxy
做方差归一化后:
x′=x−x¯σx 、 y′=y−y¯σy
σ′xy=1n−1∑in(x′i−0)(y′i−0)
=1n−1∑in(x−x¯σx)(y−y¯σy)
=1(n−1)⋅σxσy∑in(xi−x¯)(yi−y¯)
⇒σ′xy=σxyσxσy
使用第一种方法进行计算,为方便分析,我们只对X维进行线性函数变换
x′=c⋅xi
y′
−
y¯
x′= c⋅xi
计算协方差
σ′xy=1n−1∑in(c⋅xi−c⋅x¯)(yi−y¯)
=cn−1∑in(xi−x¯)(yi−y¯)
⇒σxy=σ′xyc
⇒σ′xy=c⋅σxy
可以看到,使用第一种方法(线性变换后),其协方差产生了倍数值的缩放,因此这种方式无法消除量纲对方差、协方差的影响,对PCA分析影响巨大;同时,由于量纲的存在,使用不同的量纲、距离的计算结果会不同。
而在第二种归一化方式中,新的数据由于对方差进行了归一化,这时候每个维度的量纲其实已经等价了,每个维度都服从均值为0、方差1的正态分布,在计算距离的时候,每个维度都是去量纲化的,避免了不同量纲的选取对距离计算产生的巨大影响。
总结来说,在算法、后续计算中涉及距离度量(聚类分析)或者协方差分析(PCA、LDA等)的,同时数据分布可以近似为状态分布,应当使用0均值的归一化方法。其他应用中更具需要选用合适的归一化方法。
转自:http://blog.csdn.net/zbc1090549839/article/details/44103801