特征归一化处理

我不是女神ヾ 2022-05-09 10:26 167阅读 0赞

# 介绍 #

机器学习中，提取某个样本特征的过程，叫`特征工程`。  
同一个样本，可能具备不同类型的特征，各特征的数值大小范围不一致。所谓`特征归一化`，就是将不同类型的特征数值大小变为一致的过程。

举例：假设有4个样本及他们的特征如下

可见归一化前，特征1和特征2的大小不是一个数量级。归一化后，特征变为

`特征归一化`有很多不同的叫法，比如：`特征缩放`，`Feature Normalization`，`Feature Scaling`，其实都是同一个意思。

# 特征归一化的意义 #

*  各特征之间的大小范围一致，才能使用距离度量等算法
 *  加速梯度下降算法的收敛
 *  在SVM算法中，一致化的特征能加速寻找支持向量的时间
 *  不同的机器学习算法，能接受的输入数值范围不一样

# 两种常用特征归一化方法 #

下面详细介绍`sklearn`中最常用的特征归一化方法`MinMaxScaler`和`StandardScaler`。

## MinMaxScaler ##

### 使用 ###

在`sklearn`中，[`sklearn.preprocessing.MinMaxScaler`][sklearn.preprocessing.MinMaxScaler]是一种用于特征归一化的方法。使用示例如下

from sklearn.preprocessing import MinMaxScaler
    x=[[10001,2],[16020,4],[12008,6],[13131,8]]
    min_max_scaler = MinMaxScaler()
    X_train_minmax = min_max_scaler.fit_transform(x)#归一化后的结果
    X_train_minmax
    array([[ 0.        ,  0.        ],
           [ 1.        ,  0.33333333],
           [ 0.33344409,  0.66666667],
           [ 0.52001994,  1.        ]])

它默认将每种特征的值都归一化到\[0，1\]之间，归一化后的数值大小范围是可调的（根据`MinMaxScaler`的参数`feature_range`调整）。下面代码能将特征归一化到\[-1,1\]之间。

min_max_scaler = MinMaxScaler(feature_range=(-1,1))
    X_train_minmax = min_max_scaler.fit_transform(x)#归一化后的结果
    X_train_minmax
    array([[-1.        , -1.        ],
           [ 1.        , -0.33333333],
           [ 0.46574339,  0.33333333],
           [ 0.6152873 ,  1.        ]])

### 实现 ###

`MinMaxScaler`的实现公式如下

X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
    X_scaled = X_std * (max - min) + min

这是向量化的表达方式，说明X是矩阵，其中

*  X\_std：将X归一化到\[0，1\]之间
 *  X.min(axis=0)表示列最小值
 *  max，min表示`MinMaxScaler`的参数`feature_range`参数。即最终结果的大小范围

以下例说明计算过程（max=1，min=0）

归一化的过程如下，假设归一化后的矩阵为S

*  S11=(10001-10001)/(16020-10001)=0
 *  S21=(16020-10001)/(16020-10001)=1
 *  S31=(12008-10001)/(16020-10001)=0.333444
 *  S41=(13131-10001)/(16020-10001)=0.52002
 *  S12=(2-2)/(8-2)=0
 *  S22=(4-2)/(8-2)=0.33
 *  S32=(6-2)/(8-2)=0.6667
 *  S42=(8-2)/(8-2)=1

可见，结果与章节“MinMaxScaler使用”中的计算结果一致。

## StandardScaler ##

### 使用 ###

在`sklearn`中，[`sklearn.preprocessing.StandardScaler`][sklearn.preprocessing.StandardScaler]是一种用于特征归一化的方法。使用示例如下

from sklearn.preprocessing import StandardScaler
    x=[[10001,2],[16020,4],[12008,6],[13131,8]]
    X_scaler = StandardScaler()
    X_train = X_scaler.fit_transform(x)
    X_train
    array([[-1.2817325 , -1.34164079],
           [ 1.48440157, -0.4472136 ],
           [-0.35938143,  0.4472136 ],
           [ 0.15671236,  1.34164079]])

归一化后，矩阵每列的均值为0，标准差为1。注意，这里的标准差是指加了`Delta Degrees of Freedom`因子后的标准差，这与传统的标准差计算公式有区别。（在numpy中，有std()函数用于计算标准差）

### 实现 ###

StandardScaler的归一化方式是用每个特征减去列均值，再除以列标准差。

以下例说明计算过程，注意标准差是用`np.std()`计算的。

归一化的过程如下，假设归一化后的矩阵为S

*  S11=(10001-12790)/2175.96=-1.28173
 *  S21=(16020-12790)/2175.96=1.484
 *  S31=(12008-12790)/2175.96=-0.35938
 *  S41=(13131-12790)/2175.96=0.1567
 *  S12=(2-5)/2.236=-1.342
 *  S22=(4-5)/2.236=-0.447
 *  S32=(6-5)/2.236=0.447
 *  S42=(8-5)/2.236=1.3416

# 总结 #

本文详细介绍了`MinMaxScaler`和`StandardScaler`的计算过程。有这个过程可以看出：

*  当我们需要将特征值都归一化为某个范围\[a,b\]时，选`MinMaxScaler`
 *  当我们需要归一化后的特征值均值为0，标准差为1，选`StandardScaler`

# 参考 #

*  特徵縮放，[https://zh.wikipedia.org/wiki/%E7%89%B9%E5%BE%B5%E7%B8%AE%E6%94%BE][https_zh.wikipedia.org_wiki_E7_89_B9_E5_BE_B5_E7_B8_AE_E6_94_BE]
 *  numpy与matlab标准差计算区别，[http://stackoverflow.com/questions/27600207/why-does-numpy-std-give-a-different-result-to-matlab-std][http_stackoverflow.com_questions_27600207_why-does-numpy-std-give-a-different-result-to-matlab-std]

[sklearn.preprocessing.MinMaxScaler]: http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html#sklearn.preprocessing.MinMaxScaler
[sklearn.preprocessing.StandardScaler]: http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html#sklearn.preprocessing.StandardScaler
[https_zh.wikipedia.org_wiki_E7_89_B9_E5_BE_B5_E7_B8_AE_E6_94_BE]: https://zh.wikipedia.org/wiki/%E7%89%B9%E5%BE%B5%E7%B8%AE%E6%94%BE
[http_stackoverflow.com_questions_27600207_why-does-numpy-std-give-a-different-result-to-matlab-std]: http://stackoverflow.com/questions/27600207/why-does-numpy-std-give-a-different-result-to-matlab-std