内容简介:本文将为你介绍实现特征缩放和特征归一化的方法。在随机梯度下降(stochastic gradient descent)算法中,特征缩放有时能提高算法的收敛速度。特征缩放是用来标准化数据特征的范围。
本文将为你介绍实现特征缩放和特征归一化的方法。
1. 特征缩放
在随机梯度下降(stochastic gradient descent)算法中,特征缩放有时能提高算法的收敛速度。
1.1 什么是特征缩放
特征缩放是用来标准化数据特征的范围。
1.2 机器算法为什么要特征缩放
特征缩放还可以使机器学习算法工作的更好。比如在K近邻算法中,分类器主要是计算两点之间的欧几里得距离,如果一个特征比其它的特征有更大的范围值,那么距离将会被这个特征值所主导。因此每个特征应该被归一化,比如将取值范围处理为0到1之间。
在梯度下降法中,当有多个特征向量的时候,如果其中一个变化范围比较大,则该特征向量的参数可能会变化范围很大,从而主导整个梯度下降的过程,使得整个收敛轨迹变得复杂,让收敛的时间更长。
2. 特征缩放的方法
2.1 调节比例(Rescaling)
这种方法是将数据的特征缩放到[0,1]或[-1,1]之间。缩放到什么范围取决于数据的性质。对于这种方法的公式如下:
-
x' = \frac{x - min(x)}{max(x) - min(x)}
$x$
是最初的特征值, $x'$
是缩放后的值。
2.2 标准化(Standardization)
特征标准化使每个特征的值有零均值(zero-mean)和单位方差(unit-variance)。这个方法在机器学习地算法中被广泛地使用。例如:SVM,逻辑回归和神经网络。这个方法的公式如下:
-
x' = \frac{x - \bar x}{\sigma}
3. 特征归一化
3.1 为什么要进行特征归一化
数据标准化(归一化)处理是数据挖掘的一项基础工作,不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。
3.2 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
3.3 特征归一化的方法
3.3.1 Rescaling
采用上述的
-
x' = \frac{x - min(x)}{max(x) - min(x)}
公式实现。
在 sklearn
中,对应的是 sklearn.preprocessing.MinMaxScaler
,其使用方法如下:
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
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
3.3.2 Standardization
其数学公式为:
-
x'=\frac{x-\overline{x}}{\sigma}
在 sklearn
中对应的是 sklearn.preprocessing.StandardScaler
。其代码如下:
from sklearn.preprocessing import StandardScaler x=[[10001,2],[16020,4],[12008,6],[13131,8]] X_scaler = StandardScaler() X_train = X_scaler.fit_transform(x)
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。
==总结==:
- 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
3.3.3 Scaling to unit length
其数学公式为:
-
x'=\frac{x}{\left \| x \right \|}
参考文献
- https://blog.csdn.net/sd9110110/article/details/53453945
作者介绍:邵洲,在读博士。研究兴趣:数据挖掘、学者迁徙研究。
以上所述就是小编给大家介绍的《实现特征缩放和特征归一化的方法有哪些?》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- [译] 为什么要做特征缩放,怎么做特征缩放,什么时候做特征缩放?特征缩放三连了解一下
- 特征工程之特征缩放 & 特征编码
- golang使用nfnt缩放图片
- [译] 你必知的 Kubernetes 自动缩放
- JavaScript DOM元素长宽等比例缩放
- 计算MKMapView的zoomLevel(地图缩放等级)
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Thinking Recursively
Eric S. Roberts / Wiley / 1986-1-17 / USD 85.67
The process of solving large problems by breaking them down into smaller, more simple problems that have identical forms. Thinking Recursively: A small text to solve large problems. Concentrating on t......一起来看看 《Thinking Recursively》 这本书的介绍吧!