1. 综述
本文主要报告的是标准化与归一化之间的区别、雷同点和接洽，以及各自的应用场景
归一化：主要应用与没有间隔盘算的地方(丢失分布与间隔，保留权值信息）— 奇特数据，小数据场景
标准化：主要应用于不关乎权重的地方（保留分布与间隔，丢失权值信息）—-必要间隔来度量相似性，有异常值和噪声
2. 不同点
 标准差与权重:
标准差越大，权重应当越大
某个指标数据对应的数据集标准差过大,分析其不确定性增长,所提供的信息量也会增长,因此在举行综合指标评价的时间,权重也会对应的增大.—-雷同熵权法
3. 雷同点及其接洽
（1）接洽:
归一化广义上是包罗标准化的,Z-Score方法也是归一化的方法之一,在这里主要是从狭义上,区分两者
（2）本质上都是举行特征提取,数据都通过先平移(分子相减)后缩放(分母)举行举行提取;
（3）都是为了缩小范围.便于后续的数据处理.
（4） 作用 重点)
i) 加快梯度下降,丧失函数收敛;—速率上
ii) 提拔模型精度–也就是分类正确率.(消除不同量纲,便于综合指标评价,进步分类正确率)—质量上
iii) 防止梯度爆炸(消除由于数据输入差距(1和2000)过大,而带来的输出差距过大(0.8,999),进而在 反向传播的过程当中,导致梯度过大(由于反向传播的过程当中举行梯度盘算,会使用的之前对应层的输入x),从而形成梯度爆炸)—稳定性上
分析:特征缩放着实并不必要太精确，其目的只是为了让梯度下降能够运行得更快一点，让梯度下降收敛所需的循环次数更少一些而已。
4 归一化（广义）（缩放数据）场景
A. 除非本来各维数据的分布范围就比较靠近，否则必须举行标准化，以免模型参数被分布范围较大 或较小的数据支配
B. 数据分布差异比较大–标准化，奇特数据(单个有影响的也要)–归一化
4.1. 特征/数据必要归一化的场景
① logistic regression模型:逻辑回归,固然迭代若几次没有影响,但实际当中远不止多少次,如许就会导致逻辑回归模型的目的函数过于扁化,导致梯度很难下降,不容易得到较好的模型参数.
②SVM模型:由于涉及到向量/数据的间隔(向量之间差异过大/过小,就会导致最佳分离超平面大概会由最大/远大概最小/近的几个向量支配,导致鲁棒性较差,因此必要举行标准化—可以保留向量间的模型)
③NeuralNetwork模型:初始输入值过大,反向传播时容易梯度爆炸(上面有解释)
④SGD:加快梯度下降.
4.2. 不必要归一化的场景
1 0/1取值的特征通常不必要归一化，归一化会破坏它的希罕性
2 决定树
3 基于平方丧失的最小二乘法OLS不必要归一化(由于本质上是一个抛物线,强凸函数,下降速率快.)
5. 归一化（狭义）留意事项
5.1 归一化的方法
5.1.1 小数定标标准化
这种方法通过移动数据的小数点位置来举行标准化。小数点移动多少位取决于属性A的取值中的最大绝对值。将属性A的原始值x使用decimal scaling标准化到x’的盘算方法是：
x'=x/(10^j),此中，j是满意条件的最小整数。例如 假定A的值由-986到917，A的最大绝对值为986，为使用小数定标标准化，我们用1000（即，j=3）除以每个值，如许，-986被规范化为-0.986。
5.1.2 softmax对数归一化
 5.1.3 L2归一化
 5.2 归一化的使用条件
在存在奇特样本数据的情况下，举行练习之前最好举行归一化，假如不存在奇特样本数据，则可以不用归一化
6.标准化的过程
即零-均值标准化
此中 u是样本数据的均值（mean），是样本数据的标准差（std）。
 上图则是一个散点序列的标准化过程：原图->减去均值(均值为0–>数据以原点为中央)->除以标准差对应到三维图像(以丧失函数为例)
 机器学习的目的无非就是不断优化丧失函数，使其值最小。在上图中，J(w,b)就是我们要优化的目的函数,在上图中,我们可以看到,丧失函数,未处理之前:梯度的方向就会偏离最小值的方向，走许多弯路,颠末标准化处理之后,我们丧失函数的曲线也变得比较圆,有利于加快梯度下降,加快找到最佳模型参数.详细如下图:
 
来源：https://blog.csdn.net/weixin_45621688/article/details/128885311
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！ |
