当前位置：首页 > news >正文

14.归一化——关键的数据预处理方法

news 2025/10/31 20:05:51

引言

在人工智能（AI）和机器学习中，归一化（Normalization）是一个重要的预处理步骤。它的主要目的是将数据转换到某个特定的范围。归一化可以帮助模型更高效地学习和提高预测的准确性。归一化在数据预处理方法中占据核心地位，是确保数据质量和模型性能的关键步骤。

通过阅读本篇博客，你可以：

1.知晓归一化的概念

2.掌握常见的归一化方法

一、归一化的概念

1.归一化(Normalization)的目的

要讲归一化，我们不可避免的要提到梯度下降。如果维度过多(超平面)，我们很难将其以不同参数的关系表达出来。所以我们使用两个维度作为例子来阐述归一化前与归一化后的区别。如果拿多元线性回归距离，因为多元线性回归的损失函数MSE是凸函数，所以我们把损失函数看成一个碗，损失最小的地方就是碗底的地方(如上图所示)。

上图左是做了归一化的俯瞰图，上图右是没有做归一化的俯瞰图。

"为什么没有做归一化的俯瞰图会显示为椭圆形呢？"。为了回答这个问题，我们不妨设置一些变量用于证明。假设维度 $x_{1}$ 中的每一条数据都远小于维度 $x_{2}$ 中的每一条数据，即 $x_{1} << x_{2}$ 。我们将表达式的截距项设为0。那么整个表达式即为 $y = \theta_{1}x_{1} + \theta_{2}x_{2}$ 。因为我们不知道两个维度权重的大小，所以我们可以想象两部分对 $y$ 的贡献是一样的，即 $\theta_{1}x_{1} = \theta_{2}x_{2}$ ，又由于 $x_{1} << x_{2}$ ，最终能得出 $\theta_{1}' >> \theta_{2}'$ 。所以说上右图中 $\theta_{1}$ 的轴要比 $\theta_{2}$ 的轴长，且俯瞰图呈椭圆形。再次思考一下，我们在梯度下降的第一步中，所有的 $\theta$ 都是服从标准正态分布分布的，也就是初始的 $\theta_{1}$ 和 $\theta_{2}$ 是差不多的。所以我们可以得出结论： $\theta_{1}$ 从初始值到目标位置 $\theta_{1}'$ 的距离要远大于 $\theta_{2}$ 从初始值到目标位置 $\theta_{2}'$ ，也就是调整幅度 $D_{1} >> D_{2}$ 。

从公式的角度去推导，从梯度计算公式 $gradient_{j} = (h_{\theta}x - y) \cdot x_{j}$ 中我们可以知道，梯度与样本 $x_{j}$ 呈正比，所以 $x_{1} << x_{2}$ 可以推导出 $g_{1} << g_{2}$ 。又由于梯度下降公式 $W_{j}^{t+1} = W_{j}^{t} - \eta \cdot gradient_{j}$ ，所以我们能得出结论：每次 $\theta_{1}$ 的调整幅度要远小于 $\theta_{2}$ 的调整幅度。

根据上述的两个结论，我们可以发现， $\theta_{2}$ 的路程更短，但是步幅更长，意味着相比较 $\theta_{1}$ ， $\theta_{2}$ 只需要用更少的迭代次数就可以收敛。而我们为了求得最优解，就必须每个维度的 $\theta$ 都收敛才可以，所以就会出现 $\theta_{2}$ 等待 $\theta_{1}$ 的情况。这就是右上图中 $\theta$ 先往下走再往右走的原因。

我们使用归一化的目的就是使得梯度下降的时候可以让不同维度的 $\theta$ 参数都在较为接近的调整幅度上。这就好比社会主义，先使一小部分的人富起来，使损失整体下降，最后等另一部分人富起来。但是更好的情况其实是实现共同富裕，每个人都不落下，让优化的步伐是一致的(如左上图所示)。

2.归一化(Normalization)的本质

归一化的本质是将数据转换到统一的尺度上，使得不同特征或数据点之间具有可比性，简化了数据处理的复杂性，并提高了算法的效率和稳定性。

我们现在知道了归一化的目的是让每个维度的参数共同富裕。梯度下降优化时不能达到步调一致的根本原因其实还是 $x_{1}$ 和 $x_{2}$ 的数量级不同。而归一化可以把 $x_{1}$ 和 $x_{2}$ 的数量级给它统一，扩展一点说，如果有更多特征维度，就要把各个特征维度 $x_{1} ,...,x_{n}$ 的数量级统一，来做到无量纲化。

二、常见的归一化方法

接下来我们来介绍两种常见的归一化方法。

1.最大值最小值归一化

最大值最小值归一化(Min-Max Scaling)可以将数据映射到特定的区间，如[0,1]或[-1,1]。它的公式为：

$x_{i,j}^{*} = \frac{x_{i,j} - x_{j}^{min}}{x_{j}^{max} - x_{j}^{min}}$

在这个公式当中， $x_{j}^{min}$ 对应着 $X$ 矩阵中第 $j$ 列特征值中的最小值。同样地， $x_{j}^{max}$ 是对应 $X$ 矩阵中第 $j$ 列特征值中的最大值。 $x_{i,j}$ 是 $X$ 矩阵中第 $i$ 行第 $j$ 列的数值， $x_{i,j}^{*}$ 是归一化之后的 $X$ 矩阵中第 $i$ 行第 $j$ 列的数值。

举个例子，比如第 $j$ 列的数值是 $[1,2,3,5,5]$ ， $x_{j}^{min}$ 就是 1， $x_{j}^{max}$ 就是 5，那么归一化之后是 $[0,0.25,0.75,1,1]$ 。如果第 $j$ 列的数值是 $[1,2,3,5,50001]$ ，那么归一化之后是 $[0,0.00004,0.00006,0.0001,1]$ 。

从这个例子中我们可以很容易地发现，使用最大值最小值归一化的时候，优点是一定可以把数值归一化到 $[0,1]$ ，缺点是如果有离散值，会使一个数值为1，其它数值几乎为0，所以受到离散值的影响比较大。

2.标准归一化

通常标准归一化中包含了均值归一化和方差归一化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：

$x_{i,j}^{new} = \frac{x_{i,j} - x_{mean} }{Standard-Deviation}$

我们也通常将其表示成：

$x_{i,j}^{new} = \frac{x_{i,j} - \mu_{j} }{\sigma _{j}}$

其中 $\mu_{j}$ 为某列样本数据的均值， $\sigma_{j}$ 为某列样本数据的标准差。

$Mean(population) = \mu = \frac{\sum_{k}^{i = 1}f_{i}x_{i}}{n}$

$StandardDeviation(population) = \sigma =\sqrt{\sum_{k}^{i = 1}}\frac{f_{i}(x_{i}-\mu )^{2}}{n}$

其中的 $i$ 为行数， $f_{i}$ 为不同行中 $x_{i}$ 的权重，这里我们可以默认将其看作是 1 。

相对于最大值最小值归一化公式计算机时除以最大值减最小值来说，标准归一化除以的是标准差，而标准差的的计算会考虑到本列样本中的所有样本数据，这样受到离群值的影响就会小很多。这就是方差归一化的好处。

那么我们为什么要减去均值呢？我们可以通过下图来看出。下左图是梯度下降法的公式，其中 $\alpha$ 代表学习率， $A$ 代表梯度计算中的 $h_{\theta}x - y$ (详情请阅读博客12.梯度下降法的具体解析——举足轻重的模型优化算法-CSDN博客)。我们可以从中看出，当 $x_{i} > 0$ 时，所有维度的梯度都是朝着一个方向前进的，因为每个维度的学习率 $\alpha$ 和误差 $A$ 都是相同的，这就导致了下右图的问题。当我们想将梯度从 $W_{t}$ 变为 $W_{t+1}$ 时，维度1中的 $W_1$ 在下降，维度2中的 $W_2$ 在增加，这就跟我们左图所说的方法相违背。所以我们只能整体的先全部增加，再整体的全部下降，呈现出右下图三角形的另外两边，不能实现图上蓝色所示的最优路径，这样就浪费了我们很多迭代次数和时间。归其根本，还是大多数数据集的数据均为正数，所以我们减去均值，就是给梯度下降法的方向增加更多可能性，减少更多的迭代次数，这就是均值归一化的好处。