1 归一化

为什么需要对数值型特征做归一化呢？

我们不妨借助随机梯度下降的实例来说明归一化的重要性。假设有两种数值型特征，$x_1$的取值范围为$[0,10]$，$x_2$的取值范围为$[0,3]$，于是可以构造一个目标函数符合图1.1(a)中的等值图。

​ 在学习速率相同的情况下，$x_1$的更新速度会大于$x_2$，需要较多的迭代才能找到最优解。

如果将$x_1$和$x_2$归一化到相同的数值区间后，优化目标的等值图会变成图1.1(b)中的圆形，$x_1$和$x_2$的更新速度变得更为一致，容易更快地通过梯度下降找到最优解。 当然，数据归一化并不是万能的。在实际应用中，通过梯度下降法求解的模型通常是需要归一化的，包括线性回归、逻辑回归、支持向 量机、神经网络等模型。

但对于决策树模型则并不适用，以C4.5为例， 决策树在进行节点分裂时主要依据数据集$D$关于特征$x$的信息增益比，而信息增益比跟特征是否经过归一化是无关的， 因为归一化并不会改变样本在特征$x$上的信息增益。

2 线性函数归一化

线性函数归一化(Min-Max Scaling): 它对原始数据进行线性变换，使结果映射到$[0,1$]的范围，实现对原始数据的等比缩放。 $$>X_{norm}=\frac{X-X_{min}}{X_{max}-X_{min}} >$$ 其中$X$为原始数据，$X_{max}$、$X_{min}$分别为数据最大值和最小值。

3 零均值归一化

零均值归一化(Z-Score Normalization): 将原始数据映射到均值为0、标准差为1的分布上。

具体来说，假设原始特征的均值为$\mu$、标准差为$\sigma$，那么归一化公式定义为 $$>z=\frac{x-\mu}{\sigma} >$$

4 其他归一化方式

> > >