关于机器学习:7种不同的数据标准化归一化方法总结

6次阅读

共计 2162 个字符，预计需要花费 6 分钟才能阅读完成。

数据的归一化是数据预处理中重要的的一步，很多种办法都能够被称作数据的归一化，例如简略的去除小数位，而更高级归一化技术能力对咱们训练有所帮忙，例如 z-score 归一化。

所以本文总结了 7 种常见的数据标准化 (归一化) 的办法。

Decimal place normalization
Data type normalization
Formatting normalization (date abbreviations, date order, & deliminators)
Z-Score normalization
Linear normalization (“Max-Min”)
Clipping normalization
Standard Deviation Normalization

小数位归一化产生在具备数字类型的数据表中。如果你应用过 Excel，你就会晓得这是如何产生的。默认状况下，Excel 会保留小数点后两位数字，也能够设定小数的位数，并在整个表格中进行对立。

另一种常见是对数据类型的归一化。在 Excel 或 SQL 查询数据库中构建数据表时，可能会发现自己查看的数字数据有时被辨认为货币，有时被辨认为文本，有时被辨认为数字，有时被辨认为逗号宰割的字符串。

问题是这些数值数据对公式和各种剖析解决的操作是不一样的。所以就须要将它们对立成雷同的类型。。

最初一个简略的技术是格局的归一化。这对于字符串（文本）是很常见的，并且在印刷和打印上呈现的更多。尽管这些问题不会对剖析产生影响，然而他可能会扩散咱们的注意力和事实的成果，例如斜体、粗体或下划线或者字体与其余的文字显示不一样。

当咱们的数据在多个维度上存在显著的大小差的数值时怎么办？例如，如果一个维度的值从 10 到 100，而另一个维度的值从 100 到 100,000，则很难比拟两者的绝对变动。

对于这个问题，目前最好的解决方案就是归一化。在日常工作中，最常见的归一化类型是 Z-Score。简略来说，Z-Score 将数据按比例缩放, 使之落入一个特定区间。公式如下：

其中 X 是数据值，μ 是数据集的平均值，σ 是标准差。

线性归一化能够说是更容易且更灵便的归一化技术。它通常被称为“max-min”归一化，它容许剖析人员获取汇合中最大 x 值和最小 x 值之间的差值，并建设一个基数。

这是一个很好的开始策略，实际上，线性归一化能够将数据点归一化为任何基数。下是线性归一化的公式：

假如“x”值为 20，最大数字为 55，最小数字为 5。为了归一化这个数字，让咱们从分母开始，后果为 50 (55-5)。当初用同样的想法计算分子：x – min=15 (20–5)。所以咱们标准化的 x 或 x ‘ 是 15/50 = 0.3。

裁剪并不齐全是一种归一化技术，他其实是在应用归一化技术之前或之后应用的一个操作。简而言之，裁剪包含为数据集建设最大值和最小值，并将异样值从新限定为这个新的最大值或最小值。

例如有一个由数字 [14, 12, 19, 11, 15, 17, 18, 95] 组成的数据集。数字 95 是一个很大的异样值。咱们能够通过重新分配新的最大值将其从数据中剔除。因为删除 95 后，数据集的范畴是 11-19，因而能够将最大值重新分配为 19。最小值也同理

须要留神的是，裁剪不会从数据集中删除点，它只是从新计算数据中的统计值。

假如咱们的数据有五行，他们的 ID 为 A、B、C、D 和 E，每行蕴含 n 个不同的变量（列）。咱们在上面的计算中应用记录 E 作为示例。其余行以雷同形式进行标准化。

第 i 列中 E 行的 ei 的归一化值计算如下：

当

如果 E 行的所有值都是雷同的，那么 E 的标准差 (std(E)) 等于 0，那么 E 行的所有值都设为 0。

1、波及或隐含间隔计算的算法，比方 K -means、KNN、PCA、SVM 等，个别须要进行归一化

2、梯度降落算法，梯度降落的收敛速度取决于：参数的初始地位到 local minima 的间隔，以及学习率 η 的大小，其实还是间隔的计算

3、采纳 sigmoid 等有饱和区的激活函数，如果输出散布范畴很广，参数初始化时没有适配好，很容易间接陷入饱和区，导致梯度隐没，所以才会呈现各种 BN，LN 等算法

与间隔计算无关的概率模型不须要，比方 Naive Bayes；

与间隔计算无关的基于树的模型，比方决策树、随机森林等，树中节点的抉择只关注以后特色在哪里切分对分类更好，即只在意特色外部的绝对大小，而与特色间的绝对大小无关。然而咱们前几篇文章中说到了，应用 Z -Score 归一化会进步模型的准确率。其实归一化的作用就是由相对变为了绝对，所以能够说归一化对于树型模型不那么重要，是一个可选项或者说能够作为一个超参数在训练时进行抉择。
https://www.overfit.cn/post/767ff89fdb544dc1a20aad896d80859f

作者：Manish

正文完