作者：RayChiu_Labloy
版权声明：著作权归作者所有，商业转载请联系作者获得授权，非商业转载请注明出处

目录

特征缩放

归一化(Normalization)：

定义：

什么叫量纲：

分类和公式：

min-max归一化(Min-Max Normalization)&＃8211;区间(0,1)

平均归一化&＃8211;区间(-1,1)

非线性归一化

标准化(Standardization)：

Z-Score 标准化 &＃8220;>最常见的标准化方法->Z-Score 标准化 

中心化： 

正则化：

过拟合 

公式和原理

两个正则化损失函数等高线图

没有正则化的损失函数等高线和最优化示意图

L1正则化(Lasso回归)损失函数等高线示意图 

 L2正则化(岭回归)损失函数等高线示意图

归一化和正则化在数据、参数、和结果上的区别

特征缩放

        面对特征数量较多的时候，保证这些特征具有相近的尺度（无量纲化），可以使梯度下降法更快的收敛。这两张图代表数据是否均一化的最优解寻解过程（左边是未归一化的），从这两张图可以看出，数据归一化后，最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解

 在前边讲梯度下降的时候咱们也提到过，一般在最优化前会加归一化操作

机器学习最优化算法之梯度下降_RayChiu757374816的博客-CSDN博客

 原因就是这样会减少数据模型的震荡，以最快的速度达到最优化。

缩放的方法就包括了各种归一化和标准化操作。

归一化(Normalization)：

定义：

        就是把数据压缩映射到一定区间，例如(0,1) (-1,1) (0,255)区间，会把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。

        这里还是强调一下归一化是针对的数据。

什么叫量纲：

        就是通过一些手段将不同单位不同场景类型的数据去掉单位来表示。

分类和公式：

min-max归一化(Min-Max Normalization)&＃8211;区间(0,1)

        有人把它还称作rescaling 

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。

平均归一化&＃8211;区间(-1,1)

 (注意这中间的mean(x)、min(x) 和 max(x) 分别是样本数据的平均值、最小值和最大值)

适用场景：

• 矩阵分解

非线性归一化

        log对数函数转换y = log10(x) 、反正切函数转换x&＃8217; = atan(x)*(2/pi)、sigmoid变换、softmax变换以及L2范数归一化(见下图)

标准化(Standardization)：

最常见的标准化方法->Z-Score 标准化 

其中  和  分别是样本数据的均值（mean）和标准差（std）。  数据会变成一个均值为 0 ，方差为 1 的分布 

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

中心化： 

         也叫零均值处理，就是将每个原始数据减去这些数据的均值：

x&＃8217; = x &＃8211; μ

正则化：

过拟合 

        不加正则化训练出来的模型： 

        加了正则的模型表现 

        可以看到训练出来的模型太复杂，会影响使用，容易过拟合。 

公式和原理

        正则化主要用于避免过拟合的产生和减少网络误差。

        其中，第 1 项是经验风险，第 2 项是正则项，  为调整两者之间关系的系数。常见的有正则项有 L1 正则 和 L2 正则 以及 Dropout

        L1和L2正则公式和原理详细内容请移步：我这样说范数和模你应该懂L1、L2正则咋回事了吧_RayChiu757374816的博客-CSDN博客

两个正则化损失函数等高线图

没有正则化的损失函数等高线和最优化示意图

L1正则化(Lasso回归)损失函数等高线示意图 

        lasso回归最终会等到稀疏矩阵，好多参数会是0，也就是筛选了特征，把对结果贡献很低的特征给过滤掉了，最终模型只关注非零的特征。

 L2正则化(岭回归)损失函数等高线示意图

归一化和正则化在数据、参数、和结果上的区别

        这里谈一下和归一化的关系，我理解归一化是为了使得预处理的数据被限定在一定的范围内(比如[0,1]或者[-1,1]),从而消除奇异样本数据导致的不良影响，这样处理使得训练时减少震荡，能够更加快速的训练，然而归一化不是必须的，不归一化最多是会延长最优化的时间，而不影响训练出来的模型使用。而正则化是针对的参数、系数theta或者叫w、b，最终的目的是让参数数值相差很小，比如不正则化可能第一个参数是100，第二个是1，加正则化后可能最终的参数第一个是1.013第二个是0.892，这样泛化能力强了，会影响模型的生成和使用，也就是归一化不影响推理结果，正则会影响。

 参考：2(1).数据预处理方法 &＃8211; nxf_rabbit75 &＃8211; 博客园

6.3. Preprocessing data — scikit-learn 1.0 documentation

学习笔记163—理解模型正则化：L1正则、L2正则（理论+代码）-上地信息-shangdixinxi.com

【如果对您有帮助，交个朋友给个一键三连吧，您的肯定是我博客高质量维护的动力！！！】