特征工程_归一化

[TOC]

归一化

为什么需要对数值型特征做归一化呢？
我们不妨借助随机梯度下降的实例来说明归一化的重要性。假设有两种数值型特征， $x_1$ 的取值范围为 $[0,10]$ ， $x_2$ 的取值范围为 $[0,3]$ ，于是可以构造一个目标函数符合图1.1(a)中的等值图。
在学习速率相同的情况下， $x_1$ 的更新速度会大于 $x_2$ ，需要较多的迭代才能找到最优解。
如果将 $x_1$ 和 $x_2$ 归一化到相同的数值区间后，优化目标的等值图会变成图1.1(b)中的圆形， $x_1$ 和 $x_2$ 的更新速度变得更为一致，容易更快地通过梯度下降找到最优解。当然，数据归一化并不是万能的。在实际应用中，通过梯度下降法求解的模型通常是需要归一化的，包括线性回归、逻辑回归、支持向量机、神经网络等模型。
但对于决策树模型则并不适用，以C4.5为例，决策树在进行节点分裂时主要依据数据集 $D$ 关于特征 $x$ 的信息增益比，而信息增益比跟特征是否经过归一化是无关的，因为归一化并不会改变样本在特征 $x$ 上的信息增益。

线性函数归一化

线性函数归一化(Min-Max Scaling): 它对原始数据进行线性变换，使结果映射到 $[0,1$ ]的范围，实现对原始数据的等比缩放。
$X_{norm}=\frac{X-X_{min}}{X_{max}-X_{min}}$
其中 $X$ 为原始数据， $X_{max}$ 、 $X_{min}$ 分别为数据最大值和最小值。

零均值归一化

零均值归一化(Z-Score Normalization): 将原始数据映射到均值为0、标准差为1的分布上。
具体来说，假设原始特征的均值为 $\mu$ 、标准差为 $\sigma$ ，那么归一化公式定义为
$z=\frac{x-\mu}{\sigma}$

其他归一化方式

Previous特征工程 Next特征工程_编码

Last updated 2 years ago

归一化

为什么需要对数值型特征做归一化呢？

我们不妨借助随机梯度下降的实例来说明归一化的重要性。假设有两种数值型特征， $x_1$ 的取值范围为 $[0,10]$ ， $x_2$ 的取值范围为 $[0,3]$ ，于是可以构造一个目标函数符合图1.1(a)中的等值图。

在学习速率相同的情况下， $x_1$ 的更新速度会大于 $x_2$ ，需要较多的迭代才能找到最优解。

如果将 $x_1$ 和 $x_2$ 归一化到相同的数值区间后，优化目标的等值图会变成图1.1(b)中的圆形， $x_1$ 和 $x_2$ 的更新速度变得更为一致，容易更快地通过梯度下降找到最优解。当然，数据归一化并不是万能的。在实际应用中，通过梯度下降法求解的模型通常是需要归一化的，包括线性回归、逻辑回归、支持向量机、神经网络等模型。

但对于决策树模型则并不适用，以C4.5为例，决策树在进行节点分裂时主要依据数据集 $D$ 关于特征 $x$ 的信息增益比，而信息增益比跟特征是否经过归一化是无关的，因为归一化并不会改变样本在特征 $x$ 上的信息增益。

线性函数归一化

线性函数归一化(Min-Max Scaling): 它对原始数据进行线性变换，使结果映射到 $[0,1$ ]的范围，实现对原始数据的等比缩放。

X_{norm}=\frac{X-X_{min}}{X_{max}-X_{min}}

其中 $X$ 为原始数据， $X_{max}$ 、 $X_{min}$ 分别为数据最大值和最小值。