《机器学习》——数据标准化（0~1标准化，z标准化）

数据标准化

一、什么是标准化

• 数据标准化是一种数据预处理技术，用于将数据按照一定的规则进行变换，使得不同特征或变量具有可比性和一致性。
• 作用
  • 消除量纲影响
    在实际数据集中，不同的特征可能具有不同的单位和数量级。例如，在一个包含身高（单位：厘米）和体重（单位：千克）的数据集中，身高的数值范围可能是 150 - 200，而体重的数值范围可能是 40 - 100。如果直接使用这些原始数据进行数据分析，如聚类或距离计算，身高的数值可能会因为其较大的数量级而在计算中占据主导地位，从而掩盖体重特征的重要性。数据标准化可以将这些不同量纲的数据转换到同一尺度上。
  • 提升模型性能
    在机器学习和数据挖掘中，许多算法（如 K - 近邻算法、支持向量机等）的性能依赖于数据的分布情况。标准化后的数据可以使模型更容易收敛，提高模型的准确性和稳定性。例如，在神经网络的训练过程中，标准化的数据有助于梯度下降算法更快地找到最优解，减少训练时间并且避免梯度消失或爆炸等问题。
  • 方便数据比较和融合
    当需要将来自不同数据源的数据进行合并或者比较时，数据标准化是必不可少的。例如，在金融领域，要整合不同银行的客户信用评分数据，这些数据可能由于银行采用的不同评分标准和尺度而无法直接比较。通过标准化，可以将这些数据转换到统一的标准下，便于进行综合评估。
• 优点和缺点
  • 优点
    • 提高模型性能
      在机器学习算法中，如线性回归、神经网络等，标准化后的数据可以使模型更快地收敛。以梯度下降算法为例，标准化能够确保不同特征在更新参数时具有相似的步长，避免因某些特征的数值范围过大而导致梯度下降路径曲折，从而加速模型训练过程。例如，在预测房价的线性回归模型中，如果房屋面积（单位：平方米）和房间数量这两个特征没有进行标准化，房屋面积的数值范围可能远大于房间数量，这会使得模型在训练时过度关注房屋面积这个特征，而标准化后可以让模型更均衡地学习每个特征的重要性，提升预测准确性。
    • 增强数据可比性
      标准化后的数据能够方便地比较不同特征之间的相对差异。例如，在比较学生的各科成绩时，语文成绩（满分 150 分）和数学成绩（满分 100 分）的原始分数不具有直接可比性。通过标准化，可以将它们转换到相同的尺度下，比如 Z - score 标准化后，就能更直观地看出学生在这两门学科中的相对位置，是高于平均水平还是低于平均水平，进而综合评估学生的学习情况。
    • 便于数据融合和集成
      当整合来自多个数据源的数据时，标准化可以消除不同数据源由于量纲、数据分布等差异带来的影响。例如，在医疗数据整合中，不同医院的检查指标可能有不同的单位和正常范围。通过标准化，这些数据可以被整合到一个统一的框架下，便于后续的数据分析，如构建疾病诊断模型或进行健康风险评估。
    • 提升聚类和分类效果
      在聚类算法（如 K - Means 聚类）和分类算法（如支持向量机）中，标准化有助于提高算法的准确性。以 K - Means 聚类为例，标准化后的数据可以使聚类中心的初始化更加合理，并且在计算样本与聚类中心的距离时，能够更准确地反映样本之间的相似性。如果不进行标准化，某些特征可能会因为数值较大而主导聚类结果，导致聚类效果不佳。
  • 缺点
    • 丢失原始数据信息
      在标准化过程中，数据的原始尺度和分布信息会部分丢失。例如，通过最小 - 最大标准化将数据映射到 [0, 1] 区间后，无法直接从标准化后的数据中看出原始数据的具体数值范围。对于一些需要了解原始数据真实情况的应用场景，如数据审计或对数据原始分布特征有严格要求的统计分析，这可能会带来不便。
    • 依赖数据分布假设
      某些标准化方法对数据分布有一定的假设。例如，Z - score 标准化假设数据是正态分布或者近似正态分布。如果数据实际不符合这个假设，标准化后的结果可能不能很好地达到预期效果。比如，对于具有明显偏态分布的数据，Z - score 标准化可能会扭曲数据的相对关系，使得在后续的数据分析中产生误导。
    • 增加计算成本和时间
      对于大规模数据集，进行数据标准化需要额外的计算来确定标准化参数（如均值、标准差、最大值、最小值等），并且需要对每个数据点进行转换操作。这会增加数据预处理的时间和计算资源消耗。例如，在处理包含数百万条记录的数据仓库中的数据时，数据标准化可能会成为整个数据处理流程中的一个性能瓶颈。

二、常用标准化

0~1标准化

公式中x为原始数据，min(x)为一组特征值的最小值，max(x)为最大值。

0~1标准化的范围就像它的名字一样在[0-1]的范围。

在python中，可以使用sklearn.preprocessing.MinMaxScaler类来实现0~1标准化

例子：

import numpy as np
from sklearn.preprocessing import MinMaxScaler# 创建一个包含随机数值的二维数组，模拟特征数据集
# 假设有5个样本，每个样本有3个特征
np.random.seed(0)  # 抛出一个随机种子，为了让后面每次运行时生成的随机数值，都与第一次相同
data = np.random.rand(5, 3) * 10  # 生成一个5x3的数组，每个元素的值在0到10之间
print("原始数据:")
print(data)# 使用MinMaxScaler进行归一化
min_max_scaler = MinMaxScaler()
data_min_max = min_max_scaler.fit_transform(data)
print("\nMinMaxScaler归一化后的数据:")
print(data_min_max)
"""
原始数据:
[[5.45374108 6.36285388 6.89790337][4.22031847 9.29446541 1.72869836][6.29878395 8.68105164 8.78970701][7.65555541 3.81574752 1.61238819][9.50247279 8.58981375 9.87706441]]MinMaxScaler归一化后的数据:
[[0.23350749 0.4649092  0.63953082][0.         1.         0.01407317][0.39348822 0.88803699 0.86843315][0.65034771 0.         0.        ][1.         0.87138384 1.        ]]
"""

z标准化

• Z标准化也称为Z-score标准化或标准差标准化是一种数据预处理技术，用于将数据转化为均值为0，标准差为1的标准正态分布。这种方法在数据分析和机器学习中非常常见，特别是当不同特征具有不同的尺度或单位时，通过Z标准化可以使这些特征在相同的尺度上进行比较和处理。
  

• x 是原始数据。
• μ 是所有样本数据的均值。
• σ 是所有样本数据的标准差。
• z 是转化后的数据，即Z分数。

• 计算步骤

• 计算均值：首先，需要计算给定数据集的所有样本的均值（μ）。
• 计算标准差：然后，计算数据集的标准差（σ），它衡量了数据点与均值的偏差程度。
• 应用公式：最后，使用Z标准化的公式将每个原始数据点转换为Z分数。

• 在python中，可以使用sklearn.preprocessing.StandardScaler类的fit_transform方法来实现z标准化。
  例子：

import numpy as np
from sklearn.preprocessing import StandardScaler# 创建一个包含随机数值的二维数组，模拟特征数据集
# 假设有5个样本，每个样本有3个特征
np.random.seed(0)  # 抛出一个随机种子，为了让后面每次运行时生成的随机数值，都与第一次相同
data = np.random.rand(5, 3) * 10  # 生成一个5x3的数组，每个元素的值在0到10之间
print("原始数据:")
print(data)# 使用StandardScaler进行标准化
scaler_Z = StandardScaler()
data_scaled = scaler_Z.fit_transform(data)
print("\nStandardScaler标准化后的数据:")
print(data_scaled)
"""
原始数据:
[[2.91800254 3.2360031  9.66065598][7.47746281 4.00855141 2.03950532][9.8433753  8.32004568 4.55501016][6.00990907 9.91191497 4.61528516][0.15924446 1.95696181 6.33065699]]StandardScaler标准化后的数据:
[[-0.69405259 -0.73160863  1.67789759][ 0.64479923 -0.48048456 -1.35200705][ 1.33953196  0.92100707 -0.35192975][ 0.21386292  1.43845911 -0.3279665 ][-1.50414152 -1.14737299  0.35400572]]
"""

三、注意事项

• 选择适当的方法：根据数据的特性和算法的需求选择合适的数据标准化方法。例如，如果数据集中存在异常值，Z标准化可能会受到影响，而最小-最大标准化则不受影响（但也可能因为异常值而改变缩放范围）。
• 考虑数据分布：数据标准化会改变数据的原始分布。在解释标准化后的数据时，需要考虑到这一点。
• 对测试集使用相同的参数：在训练集上进行数据标准化后，应使用相同的均值、标准差（对于Z标准化）或最小值、最大值（对于最小-最大标准化）来标准化测试集。
• 避免数据泄露：在实际应用中，需要确保在训练模型之前进行数据标准化，以避免在标准化过程中引入测试集的信息，从而导致数据泄露。