数据特征 归一化/标准化 方法

归一化/标准化 定义

• 归一化：就是将训练集中数值特征的值缩放到0和1之间。公式如下
  
• 标准化：就是将训练集中数值特征的值缩放成均值为0，方差为1的状态。公式如下
  需要先计算出均值和标准差，下面是标准差的计算公式
  
  μ表示均值，x*表示标准化的表达式
  

优点

• 加快了梯度下降求最优解的速度。

例子如下，左图代表没处理过的数据，最优解的求值可能会比较缓慢，例子如下，左图代表没处理过的数据，最优解的求值可能会比较缓慢，而右图是归一化后的，明显收敛速度更快。

• 提升模型精度

例如，在KNN类算法中。我们需要计算每个点与分类点之间的距离，当我们没有进行归一化操作的时候，取值范围大的特征占据主导因素，导致其他特征的影响极小，这样会影响到最后的结果。

什么情况下必须进行标准化/归一化？

• 当你的损失函数，有L1或者L2惩罚项时，必须使用标准化/归一化，因为不用正则时，我们的损失函数只是仅仅在度量预测与真实的差距，加上正则后，我们的损失函数除了要度量上面的差距外，还要度量参数值是否足够小。而参数值的大小程度或者说大小的级别是与特征的数值范围相关的。
• Kmeans，KNN一些涉及到距离有关的算法，或者聚类的话，都是需要先做变量标准化的。
• 调用SVM的RBF内核和PCA算法

怎么进行标准化/归一化？

这里我们引用sklearn中自带的数据，来进行操作
导入数据

from sklearn.datasets import load_iris
iris = load_iris()
iris.data

标准化

from sklearn.preprocessing import StandardScaler
StandardScaler().fit_transform(iris.data)

归一化

from sklearn.preprocessing import MinMaxScaler
MinMaxScaler().fit_transform(iris.data)

另外，我们要先拆分出test集，不要在整个数据集上做标准化，因为那样会将test集的信息引入到训练集中，这是一个非常容易犯的错误！