机器学习：数据归一化（Scaler）

数据归一化（Feature Scaling）

一、为什么要进行数据归一化

• 原则：样本的所有特征，在特征空间中，对样本的距离产生的影响是同级的；
• 问题：特征数字化后，由于取值大小不同，造成特征空间中样本点的距离会被个别特征值所主导，而受其它特征的影响比较小；
• 例：特征1 = [1, 3, 2, 6, 5, 7, 9]，特征2 = [1000, 3000, 5000, 2000, 4000, 8000, 3000]，计算两个样本在特征空间的距离时，主要被特征2所决定；
• 定义：将所有的数据（具体操作时，对每一组特征数据进行分别处理）映射到同一个尺度中；
• 归一化的过程，是算法的一部分；

 

二、数据归一化的方法

　1）最值归一化（normalization）

　　1、思路：把所有数据映射到0~1之间；

　　2、公式：

　　　

　　　# x为数据集中每一种特征的值；

　　　# 将数据集中的每一种特征都做映射；

　　3、特点：多适用于分布有明显边界的情况；如考试成绩、人的身高、颜色的分布等，都有范围；而不是些没有范围约定，或者范围非常大的数据；

　　　# 明显边界：同一特征的数据大小相差不大；不会出现大部分数据在0~200之间，有个别数据在100000左右；

　　4、缺点：受outlier影响较大；

 

　2）Z-score（standardization）

　　1、思路：把所有数据归一到均值为0方差为1的分布中；

　　2、公式：X_scale = (X - X_mean ) / σ

　　　# Xmean：特征的均值（均值就是平均值）；

　　　# σ：每组特征值的标准差；

　　　# X：每一个特征值；

　　　# Xscale：归一化后的特征值；

　　3、特点1：使用于数据分布没有明显的边界；（有可能存在极端的数据值）

　　　# 归一化后，数据集中的每一种特征的均值为0，方差为1；

　　4、优点（相对于最值归一化）：即使原数据集中有极端值，归一化有的数据集，依然满足均值为0方差为1，不会形成一个有偏的数据；

 

三、训练数据集的归一化

　　1）最值归一化：

import numpy as np

# 对一维向量做归一化
x = np.random.randint(0, 100, size = 100)
x = np.array(x, dtype=float)
x = (x - np.min(x)) / (np.max(x) - np.min(x))


# 对二维矩阵做归一化
X = np.random.randint(0, 100, (50, 2))
X = np.array(X, dtype=float)
# 分别对每一列进行最值归一化，方式与向量做最值归一化一样

　

　2）均值方差归一化：

import numpy as np

X2 = np.random.randint(0, 100, (50, 2))
X2 = np.array(X2, dtype=float)
X2[:,0] = (X2[:,0] - np.mean(X2[:,0])) / np.std(X2[:,0])
X2[:,1] = (X2[:,1] - np.mean(X2[:,1])) / np.std(X2[:,1])

　　# np.mean(array)：求向量的平均值；

　　# np.std(array)：求向量的标准差；

 

四、测试数据集的归一化

　1）问题

• 训练数据集归一化，用于训练模型，测试数据集如何归一化？

　2）方案

• 不能直接对测试数据集按公式进行归一化，而是要使用训练数据集的均值和方差对测试数据集归一化；

　3）原因

• 原因1：真实的环境中，数据会源源不断输出进模型，无法求取均值和方差的；
• 原因2：训练数据集是模拟真实环境中的数据，不能直接使用自身的均值和方差；
• 原因3：真实环境中，无法对单个数据进行归一化；

　　# 对数据的归一化也是算法的一部分；

　4）方式

• (X_test - mean_train) / std_train

1. X_test：测试数据集；
2. mean_train：训练数据集的均值；
3. std_train：训练数据集的标准差；

 

　

五、使用scikit-learn中的Scaler类

　1）调用的步骤

• scikit-learn中将训练数据集的均值和方差封装在了类Scalar中；

1. fit：根据训练数据集获取均值和方差，scikit-learn中返回一个Scalar对象；
2. transform：对训练数据集、测试数据集进行归一化；

 

　2）代码实现

import numpy as np
from sklearn import datasets

iris = datasets.load_iris()
X = iris.data
y = iris.target

# 1）归一化前，将原始数据分割
from ALG.train_test_split import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, seed = 666)

# 2）导入均值方差归一化模块：StandardScaler
from sklearn.preprocessing import StandardScaler

# 实例化，不需要传入参数
standardScaler = StandardScaler()

# 3）fit过程：返回StandardScaler对象，对象内包含训练数据集的均值和方差
# fit过程，传入训练数据集；
standardScaler.fit(X_train)
# 输出：StandardScaler(copy=True, with_mean=True, with_std=True)

# fit后可通过standardScaler查看均值和标准差
# standardScaler.mean_：查看均值
# standardScaler.scale_：查看标准差

# 4）transform：对训练数据集和测试数据集进行归一化,分别传入对应的数据集
# 归一化并没有改变训练数据集，而是又生成一个新的矩阵，除非将新生成的数据集赋给原数据集,一般不改变原数据
X_train_standard = standardScaler.transform(X_train)
X_test_standard = standardScaler.transform(X_test)

# 接下来就是使用归一化后的数据集训练并测试模型

 

　3）注意

1. 步骤：数据分割——导入并实例化归一化模块——fit（得到均值和方差）——transform（得到归一化后的数据集）；
2. 实例化StandardScaler()时，不需要传入参数；
3. 归一化并没有改变数据集，而是又生成一个新的矩阵，一般不要改变原数据；

 

　4）实现scikit-learn的StandardScaler类中的内部逻辑

import numpy as np

class StandardScaler:

    def __init__(self):
        self.mean_ = None
        self.scale_ = None

    def fit(self, X):
        """根据训练数据集获取均值和标准差"""
        assert X.ndim == 2,"the dimension of X must be 2"
        self.mean_ = np.array([np.mean(X[:,i]) for i in range(0,X.shape[1])])
        self.scale_ = np.array([np.std(X[:,i]) for i in range(0,X.shape[1])])

        return self

    def transform(self, X):
        """将X根据这个StandardScaler进行均值方差归一化处理"""
        assert X_train.ndim == 2, "the dimension of X_train must be 2"
        assert self.mean_ is not None and self.scale_ is not None,\
            "must fit before transform"
        assert X.shape[1] == len(self.mean_),\
            "the feature number of X must be equal to mean_ and std_"

        reasX = np.empty(shape=X.shape, dtype=float)
        for col in range(X.shape[1]):
            resX[:,col] = (X[:,col] - self.mean_[col]) / self.scale_[col]

        return resX