在运用一些机器学习算法的时候不可避免地要对数据进行特征缩放（feature scaling），比如：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。

特征缩放的目标就是数据规范化，使得特征的范围具有可比性。它是数据处理的预处理，对后面的使用数据具有关键作用。

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。
第二个原因则是，特征缩放也可以加快梯度收敛的速度。

"标准化"和"归一化"这两个中文词要指代四种Feature scaling(特征缩放)方法。

数据的归一化和缩放非常重要，会影响到特征选择和对真实业务问题的判定。

特征缩放的方法

调节比例（Rescaling）(不免疫outlier)

这种方法是将数据的特征缩放到[0,1]或[-1,1]之间，使得完整向量具有长度1。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′=x−min(x)max(x)−min(x)x^\prime = \frac{x-min(x)}{max(x)-min(x)} x′=max(x)−min(x)x−min(x)
xxx是最初的特征值，x′x^\primex′是缩放后的值。

适用场景：

如果对输出结果范围有要求，用归一化
如果数据较为稳定，不存在极端的最大最小值，用归一化

缺点：这种方法有个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。

from sklearn.preprocessing import MinMaxScaler#初始化一个scaler对象
scaler = MinMaxScaler()#调用scaler的fit_transform方法，把我们要处理的列作为参数传进去
data['标准化后的A列数据'] = scaler.fit_transform(data['A列数据'])

平均值规范化(Mean normalization)(不免疫outlier)

x′=x−mean(x)max(x)−min(x)x^\prime = \frac{x-mean(x)}{max(x)-min(x)} x′=max(x)−min(x)x−mean(x)

适用场景：矩阵分解

标准化(Standardization)(不免疫outlier)

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′=x−mean(x)std(x)x^\prime=\frac{x-mean(x)}{std(x)} x′=std(x)x−mean(x)
标准差的定义为：
std(x)=∑(x−mean(x))2nstd(x)=\sqrt{\frac{\sum(x-mean(x))^2}{n}} std(x)=n∑(x−mean(x))2

适用场景：

SVM、LR、神经网络
如果数据存在异常值和较多噪音，用标准化，可以间接通过中心化避免异常值和极端值的影响

# 方法1
from sklearn.proprocessing import scale
df_train['feature'] = scale(df_train['feature'])# 方法2
# 一般会把train和test集放在一起做标准化，或者在train集上做标准化后，用同样的标准化器去标准化test集，此时可以用scaler
from sklearn.proprocessing import StandardScaler
scaler = StandardScaler().fit(df_train)
scaler.transform(df_train)
scaler.transform(df_test)

缩放到单位长度(Scaling to unit length)(不免疫outlier)

x′=x∥x∥x^\prime = \frac{x}{\left \| x \right \|} x′=∥x∥x
就是除以向量的欧拉长度( the Euclidean length of the vector)，二维范数。相当于每个组件除以向量的欧几里德（也就是欧拉）长度。
这种方式在TansE中比较常见。

绝对值标准化（不免疫outlier）

专为稀疏数据而生。将每个要素缩放到[-1,1]范围，它不会移动/居中数据，因此不会破坏任何稀疏性。该估计器单独地缩放每个特征，使得训练集中的每个特征的最大绝对值将是1.0。该缩放器也可以应用于稀疏CSR或CSC矩阵

鲁棒性标准化（免疫outlier）

专为异常值而生。标准差标准化（第一种，最常用的那种）对数据中出现的异常值处理能力不佳，因此诞生了robust_scale，这种不怕异常值扰动的数据缩放法。此Scaler根据分位数范围（默认为IQR：Interquartile Range）删除中位数并缩放数据。 IQR是第1四分位数（第25个分位数）和第3个四分位数（第75个分位数）之间的范围。

Batch Norm常用方法相关推荐

dropout，batch norm 区别顺序
20210614 https://www.cnblogs.com/hutao722/p/9946047.html 深度学习基础系列(九)| Dropout VS Batch Normalization ...
吴恩达深度学习(53)-Batch Norm 为什么奏效？
https://www.toutiao.com/a6640433472697532942/ 2019-01-04 07:35:33 Batch Norm 为什么奏效?(Why does Batch N ...
Batch Norm、Layer Norm、Instance Norm、Group Norm、Switchable Norm总结
转自https://blog.csdn.net/qq_41997920/article/details/89945972 目录 1.综述 1. BN 2. LN 3. IN 4. GN 5. SN 2 ...
2.3.2 Batch Norm介绍
正则化网络的激活函数 Batch归一化会使你的参数搜索变得很容易,使神经网络对超参数选择变得更加稳定.超参数范围会更庞大,工作效率也会更好.也会让你训练出更为深层次的神经网络.下面我们具体介绍一下Ba ...
40_pytorch Batch Norm
1.37.Batch Normalization,批规范化 1.37.1.Batch Norm介绍 1.37.2.Intuitive explanation 1.37.3.Intuitive expl ...
02.改善深层神经网络：超参数调试、正则化以及优化 W3. 超参数调试、Batch Norm和程序框架（作业：TensorFlow教程+数字手势预测）
文章目录 1. 探索TensorFlow库 1.1 线性函数 1.2 计算 sigmoid 1.3 计算损失函数 1.4 One_Hot 编码 1.5 用0,1初始化 2. 用TensorFlow建立 ...
02.改善深层神经网络：超参数调试、正则化以及优化 W3. 超参数调试、Batch Norm和程序框架
文章目录 1. 调试处理 2. 为超参数选择合适的范围 3. 超参数调试的实践 4. 归一化网络的激活函数 5. 将 Batch Norm 拟合进神经网络 6. Batch Norm 为什么奏效 7. ...
机器学习、深度学习实战细节（batch norm、relu、dropout 等的相对顺序）
cost function,一般得到的是一个 scalar-value,标量值: 执行 SGD 时,是最终的 cost function 获得的 scalar-value,关于模型的参数得到的: 1. ...
详解常用的Batch Norm、Group Norm，Layer norm、Instance Norm
本文主要分析cv中常用的batch norm, group norm方法,由于目标检测中不常见,因此只是简单介绍并理解Layer norm和Instance Norm的概念.首先cv中用的最多的肯定是 ...

Batch Norm常用方法