归一化的好处及归一化，标准化的处理方法

转自：数据标准化/归一化normalization

 

这里主要讲连续型特征归一化的常用方法。

连续型特征还有一种处理方式是，先分桶/分箱（如等频/等距的分）[待写]进行离散化后再使用离散数据的处理方法。

离散数据处理参考[数据预处理：独热编码（One-Hot Encoding）]。

基础知识参考：

[均值、方差与协方差矩阵]

[矩阵论：向量范数和矩阵范数]

数据的标准化（normalization）和归一化

     数据的标准化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。

    目前数据标准化方法有多种，归结起来可以分为直线型方法(如极值法、标准差法)、折线型方法(如三折线法)、曲线型方法(如半正态性分布)。不同的标准化方法，对系统的评价结果会产生不同的影响，然而不幸的是，在数据标准化方法的选择上，还没有通用的法则可以遵循。

其中最典型的就是数据的归一化处理，即将数据统一映射到[0,1]区间上。

归一化的目标

1 把数变为（0，1）之间的小数
        主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速，应该归到数字信号处理范畴之内。
2 把有量纲表达式变为无量纲表达式
        归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。 比如，复数阻抗可以归一化书写：Z = R + jωL = R(1 + jωL/R) ，复数部分变成了纯数量了，没有量纲。
另外，微波之中也就是电路分析、信号系统、电磁波传输等，有很多运算都可以如此处理，既保证了运算的便捷，又能凸现出物理量的本质含义。

归一化后有两个好处

1. 提升模型的收敛速度

如下图，x1的取值为0-2000，而x2的取值为1-5，假如只有这两个特征，对其进行优化时，会得到一个窄长的椭圆形，导致在梯度下降时，梯度的方向为垂直等高线的方向而走之字形路线，这样会使迭代很慢，相比之下，右图的迭代就会很快（理解：也就是步长走多走少方向总是对的，不会走偏）

2.提升模型的精度

归一化的另一好处是提高精度，这在涉及到一些距离计算的算法时效果显著，比如算法要计算欧氏距离，上图中x2的取值范围比较小，涉及到距离计算时其对结果的影响远比x1带来的小，所以这就会造成精度的损失。所以归一化很有必要，他可以让各个特征对结果做出的贡献相同。

    在多指标评价体系中，由于各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间的水平相差很大时，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。

    在数据分析之前，我们通常需要先将数据标准化（normalization），利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。

从经验上说，归一化是让不同维度之间的特征在数值上有一定比较性，可以大大提高分类器的准确性。

3. 深度学习中数据归一化可以防止模型梯度爆炸。

数据需要归一化的机器学习算法

需要归一化的模型：

        有些模型在各个维度进行不均匀伸缩后，最优解与原来不等价，例如SVM（距离分界面远的也拉近了，支持向量变多？）。对于这样的模型，除非本来各维数据的分布范围就比较接近，否则必须进行标准化，以免模型参数被分布范围较大或较小的数据dominate。
        有些模型在各个维度进行不均匀伸缩后，最优解与原来等价，例如logistic regression（因为θ的大小本来就自学习出不同的feature的重要性吧？）。对于这样的模型，是否标准化理论上不会改变最优解。但是，由于实际求解往往使用迭代算法，如果目标函数的形状太“扁”，迭代算法可能收敛得很慢甚至不收敛（模型结果不精确）。所以对于具有伸缩不变性的模型，最好也进行数据标准化。

        有些模型/优化方法的效果会强烈地依赖于特征是否归一化，如LogisticReg，SVM，NeuralNetwork，SGD等。

不需要归一化的模型：

    （0/1取值的特征通常不需要归一化，归一化会破坏它的稀疏性。）

    有些模型则不受归一化影响，如DecisionTree。

    ICA好像不需要归一化（因为独立成分如果归一化了就不独立了？）。

    基于平方损失的最小二乘法OLS不需要归一化。
    [线性回归与特征归一化(feature scaling)]

 

常见的数据归一化方法

最常用的是 min-max标准化 和 z-score 标准化。

min-max标准化(Min-max normalization) / 0-1标准化(0-1 normalization) / 线性函数归一化 / 离差标准化

    是对原始数据的线性变换，使结果落到[0,1]区间，转换函数如下：

     ，其中max为样本数据的最大值，min为样本数据的最小值。

    def Normalization(x):
        return [(float(i)-min(x))/float(max(x)-min(x)) for i in x]

    如果想要将数据映射到[-1,1]，则将公式换成：

    x* = x* * 2 -1

    或者进行一个近似

    x* = (x - x_mean)/(x_max - x_min), x_mean表示数据的均值。

    def Normalization2(x):
        return [(float(i)-np.mean(x))/(max(x)-min(x)) for i in x]

    这种方法有一个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。

z-score 标准化(zero-mean normalization)

    最常见的标准化方法就是Z标准化，也是SPSS中最为常用的标准化方法，spss默认的标准化方法就是z-score标准化。

    也叫标准差标准化，这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。

    经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：

    x* = (x - μ ) / σ

    其中μ为所有样本数据的均值，σ为所有样本数据的标准差。

    z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。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。

    标准化的公式很简单，步骤如下

　　1.求出各变量（指标）的算术平均值（数学期望）xi和标准差si ；
　　2.进行标准化处理：
　　                zij=（xij－xi）/si
　　    其中：zij为标准化后的变量值；xij为实际变量值。
　　3.将逆指标前的正负号对调。
　　    标准化后的变量值围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平。

问答

1.问:归一化也就是标准化的一种，比如做一般线性回归的时候，XY轴中只有一个是变量，那请问是否需要对变量数据进行标准归一化呢？

答：一维数据一般没有太大必要归一化，它的归一化相当于通过学习率调节了，但是反过来归一化后，学习率可能就没有太大必要了，这样就可以减少一个学习率的设置。（即学习率初始值的选择需要参考输入的范围，直接将数据归一化，学习率就不必再根据数据范围作调整。）

2.问：为什么线性归一化对用距离来度量相似度的方法在精度上会有影响？

答：线性变换其协方差产生倍数值的缩放，无法消除量纲对方差、协方差的影响，由于量纲的存在，使用不同的量纲、距离的计算结果会不同，在精度上当然会有影响。使用0均值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。而且用于最大值和最小值未知的时候，或者说最大值和最小值并不准确时尤其重要，当最大值和最小值未知或者不准备时当然在精度上有更大影响，0均值方法这种问题就少很多，对异常点也更鲁棒。

问：首先 谢谢博主的耐心解答，

    1.我可不可以理解为线性归一化，不会消除量纲的影响，因为它是一种对原始数据的放缩（根据公式，应该不是等比例的放缩），这种放缩，可能会减小量纲的影响，比如一个量纲为1的特征和一个量纲为100的特征都归一化到0到1之间，差距就没有1到100那么大了，但量纲的不同的依然存在，也就是说，一定程度上减小了量纲的影响，但是还是不能消除，

    2.但是-均值归一化，就是使数据分布一致，完全消除量纲的影响了对吧，但是会改变数据分布。

    3.最后一个疑问就是，是否数据分布一致，量纲就相同。

答：1.所有的归一化方法都会在一定程度上消除量纲的影响，但是zscore还可以消除量纲对方差、协方差的影响（线性的会使方差也变化）；

       2.对，zscore会使数据分布都变成高斯分布；

       3.“数据分布一致，量纲就相同”，数据分布相同指完全一样的分布，如均值和方差相同的高斯分布，这时量纲是 相同的。