服务热线
135-6963-3175
数据预处理之归一化
更新时间 2023-11-10 浏览2706次
什么是归一化?
归一化是一种数据预处理技术，旨在将特征数据缩放到一个特定的范围内，通常是 0 到 1 或 -1 到 1 之间。这样做的目的是消除特征之间的量纲差异，以便更好地适应某些机器学习算法。
举个例子来说明归一化的意思。假设你有一个包含房屋面积（以平方英尺为单位）和房价（以美元为单位）的数据集，数据如下：
房屋面积 房价 1500 200000 2000 250000 1200 180000
在这个例子中，房屋面积的范围是 1200 到 2000 平方英尺，而房价的范围是 180,000 到 250,000 美元。这两个特征的量纲差异很大，可能会对某些机器学习算法产生影响。
为了解决这个问题，你可以使用归一化将两个特征缩放到 0 到 1 或 -1 到 1 的范围内。使用 Min-Max 归一化方法可以实现这一目标。经过归一化处理后的数据如下：
房屋面积 房价 0.333 0.444 1.000 1.000 0.000 0.000
在归一化后的数据中，房屋面积和房价的值都位于 0 到 1 的范围内，消除了量纲差异。这样，在使用归一化后的数据进行机器学习模型的训练时，模型能够更好地处理这些特征，不会因为量纲差异而对特征产生不恰当的权重影响。
归一化是预处理数据的一种常见方法，可以应用于各种机器学习任务，包括回归问题、分类问题等。
特征之间的量纲差异是什么呢？
特征之间的量纲差异是指不同特征的取值范围或单位之间的差异。当特征之间的量纲差异很大时，可能会对某些机器学习算法产生影响，导致模型无法准确地学习特征之间的关系。
举个例子来说明特征之间的量纲差异。假设你有一个汽车数据集，其中包含以下两个特征：车速（以公里/小时为单位）和车龄（以年为单位）。数据如下所示：
车速 车龄 100 3 60 5 120 1
在这个例子中，车速的范围是 60 到 120 公里/小时，而车龄的范围是 1 到 5 年。这两个特征的量纲差异很大，车速的值通常在 60 到 120 之间，而车龄的值通常在 1 到 5 之间。
如果不对这两个特征进行归一化处理，某些机器学习算法可能会受到量纲差异的影响。例如，如果你使用基于欧几里德距离的算法（如 KNN）来计算样本之间的相似度，车速这个特征的影响将远大于车龄，因为车速的数值范围更大。这可能导致模型过度依赖车速特征，而无法正确地学习车速和车龄之间的关系。
通过归一化处理，将车速和车龄缩放到相同的范围内，可以消除特征之间的量纲差异，使得模型能够更好地学习特征之间的关系，减少量纲差异对模型的影响。
如何进行归一化计算处理？
归一化计算处理可以使用不同的方法，其中最常见的方法是使用最小-最大归一化（Min-Max Normalization）和标准化（Standardization）。
1、最小-最大归一化（Min-Max Normalization）：
最小-最大归一化将数据缩放到指定的范围内，通常是 0 到 1 或 -1 到 1。具体计算步骤如下：
对于每个特征，找到最小值（min）和最大值（max）。
对于每个特征的每个值，使用以下公式进行归一化计算：
normalized_value = (value - min) / (max - min)
归一化后的值将在指定范围内，例如 0 到 1 或 -1 到 1。
举例：
假设你有一个包含房屋面积和房屋价格的数据集，如下所示：
面积 价格 150 500000 200 600000 120 400000
要对这些数据进行最小-最大归一化计算，可以按照以下步骤进行操作：
1.1 找到每个特征的最小值（min）和最大值（max）。
import numpy as np # 创建一个包含面积和价格数据的 NumPy 数组 data = np.array([[150, 500000], [200, 600000], [120, 400000]]) # 找到面积和价格的最小值和最大值 min_value = np.min(data, axis=0) max_value = np.max(data, axis=0)
在这个例子中，min_value 是一个包含面积和价格的最小值数组，max_value 是一个包含面积和价格的最大值数组。
1.2 对每个特征的每个值进行最小-最大归一化计算。
# 对每个特征的每个值进行最小-最大归一化计算 normalized_data = (data - min_value) / (max_value - min_value)
在这个例子中，normalized_data 是一个与原始数据具有相同形状的数组，其中的值经过最小-最大归一化处理。
最小-最大归一化后的数据如下所示：
面积 价格 0.375 0.5 1.0 1.0 0.0 0.0
在最小-最大归一化后的数据中，面积和价格的值都被缩放到 0 到 1 的范围内。
通过最小-最大归一化处理，可以将不同特征的值缩放到相同的范围内，消除量纲差异，使得数据更适合某些机器学习算法的使用。
2、标准化（Standardization）：
标准化将数据转换为具有零均值和单位方差的分布。具体计算步骤如下：
对于每个特征，计算均值（mean）和标准差（standard deviation）。
对于每个特征的每个值，使用以下公式进行标准化计算：
standardized_value = (value - mean) / standard_deviation
标准化后的值将具有均值为 0，标准差为 1 的分布。
这些归一化方法可以使用各种编程语言和库来实现，例如 Python 中的 sklearn.preprocessing 模块。你可以根据自己的需求和数据特点选择适合的归一化方法。
值得注意的是，在进行归一化处理之前，你应该先确定是否需要对数据进行归一化，以及选择合适的归一化方法，这取决于数据的分布和机器学习算法的要求。
例子：
假设你有一个包含身高（以厘米为单位）和体重（以千克为单位）的数据集，如下所示：
身高 体重 170 65 165 60 180 75
要对这些数据进行标准化计算，可以按照以下步骤进行操作：
2.1 计算每个特征的均值和标准差。
import numpy as np # 创建一个包含身高和体重数据的 NumPy 数组 data = np.array([[170, 65], [165, 60], [180, 75]]) # 计算均值和标准差 mean = np.mean(data, axis=0) std = np.std(data, axis=0)
在这个例子中，mean 是一个包含身高和体重的均值数组，std 是一个包含身高和体重的标准差数组。
2.2 对每个特征的每个值进行标准化计算。
#对每个特征的每个值进行标准化计算 normalized_data = (data - mean) / std
在这个例子中，normalized_data 是一个与原始数据具有相同形状的数组，其中的值经过标准化处理。
标准化后的数据如下所示：
身高 体重 -0.267 -0.267 -1.069 -1.069 1.336 1.336
在标准化后的数据中，身高和体重的值都具有均值为 0，标准差为 1 的分布。
通过标准化处理，数据的单位和范围被转换为相对的标准差单位，使得不同特征之间具有可比性，更适合某些机器学习算法的使用。