数据标准化
原因
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。
好处
1.在训练神经网络的过程中,通过将数据标准化,能够加速权重参数的收敛;
2.在回归预测中,标准化是让特征值有均等的权重;
3.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
4.深度学习中数据归一化可以防止模型梯度爆炸。
常用方法
1.min-max标准化(归一化)
X' = (X-Xmin) / (Xmax-Xmin)
2.z-score标准化
新数据=(原数据- 均值)/ 标准差
3.log函数标准化法
X' = log10(X) / log10 (Xmax)
异常值检测(常用方法)
1.3σ原则
用于对已知平均数和标准差的正态分布数据进行快速推算,具体为数值分布在(μ-σ,μ+σ)中的概率为0.6826 数值分布在(μ-2σ,μ+2σ)中的概率为0.9545 数值分布在(μ-3σ,μ+3σ)中的概率为0.9973。
2.箱线图
箱线图是通过数据集的四分位数形成的图形化描述,是非常简单而且效的可视化离群点的一种方法。
上下须为数据分布的边界,只要是高于上须,或者是低于下触须的数据点都可以认为是离群点或异常值。
3.IQR(四分位数)
把所有数值由小到大排列并分成四等份,处于三个分割点位置的数值就是四分位数。异常值通常被定义为小于QL-1.5IQR 或QU+1.5IQR。
- QL:下四分位数,表示全部观察值中有四分之一的数据取值比它小;
- QU:上四分位数,表示全部观察值中有四分之一的数据取值比它大;
- IQR:四分位间距,是上四分位数QU与下四分位数QL之差,期间包含了全部观察值的一半。