目錄:
一、介紹
爲什麼需要進行數據歸一化?
舉個簡單的例子,樣本1以[1, 200]輸入到模型中去的時候,由於200可能會直接忽略到1的存在。此時樣本間的距離由時間所主導。
此時,如果將天數轉換爲佔比1年的比例,200/365=0.5479, 100/365=0.2740。但也導致樣本間的距離又被腫瘤大小所主導。因此有必要進行數據歸一化處理。不然直接計算樣本間的距離是有一定偏差的。
解決方案:
將所有的數據映射到統一尺度。
兩種數據歸一化的方法:
- 最值歸一化(Normalization):把所有數據映射到0-1之間。適用於分佈有明顯邊界的情況;受outliner影響較大。
- 均值方差歸一化(standardization):把所有數據歸一化到均值爲0方差爲1的分佈中。適用於數據分佈沒有明顯的邊界;有可能存在極端的數據值。
二、最值歸一化
1.計算公式
該方法實現對原始數據的等比例縮放,其中Xscale爲歸一化後的數據,X爲原始數據,Xmax、Xmin分別爲原始數據集的最大值和最小值。
2.Python實戰
# 導包
import numpy as np
import matplotlib.pyplot as plt
# 隨機生成0-100之間的100個數
x = np.random.randint(0, 100, size=100)
x
輸出結果:
array([10, 92, 55, 25, 67, 84, 64, 2, 5, 56, 32, 37, 69, 40, 24, 86, 65,
29, 49, 93, 13, 80, 90, 70, 80, 63, 90, 95, 25, 50, 92, 37, 42, 16,
83, 52, 36, 14, 73, 4, 53, 84, 34, 62, 59, 50, 46, 55, 72, 43, 39,
1, 58, 6, 84, 64, 72, 70, 41, 30, 51, 62, 79, 14, 89, 20, 7, 37,
44, 36, 40, 89, 70, 62, 6, 3, 74, 88, 36, 90, 0, 30, 20, 6, 0,
67, 50, 4, 36, 28, 62, 91, 94, 96, 75, 22, 19, 56, 81, 28])
# 最值歸一化處理,把所有數據映射到0-1之間
(X - np.min(X)) / (np.max(X) - np.min(X))
輸出結果:
array([0.10416667, 0.95833333, 0.57291667, 0.26041667, 0.69791667,
0.875 , 0.66666667, 0.02083333, 0.05208333, 0.58333333,
0.33333333, 0.38541667, 0.71875 , 0.41666667, 0.25 ,
0.89583333, 0.67708333, 0.30208333, 0.51041667, 0.96875 ,
0.13541667, 0.83333333, 0.9375 , 0.72916667, 0.83333333,
0.65625 , 0.9375 , 0.98958333, 0.26041667, 0.52083333,
0.95833333, 0.38541667, 0.4375 , 0.16666667, 0.86458333,
0.54166667, 0.375 , 0.14583333, 0.76041667, 0.04166667,
0.55208333, 0.875 , 0.35416667, 0.64583333, 0.61458333,
0.52083333, 0.47916667, 0.57291667, 0.75 , 0.44791667,
0.40625 , 0.01041667, 0.60416667, 0.0625 , 0.875 ,
0.66666667, 0.75 , 0.72916667, 0.42708333, 0.3125 ,
0.53125 , 0.64583333, 0.82291667, 0.14583333, 0.92708333,
0.20833333, 0.07291667, 0.38541667, 0.45833333, 0.375 ,
0.41666667, 0.92708333, 0.72916667, 0.64583333, 0.0625 ,
0.03125 , 0.77083333, 0.91666667, 0.375 , 0.9375 ,
0. , 0.3125 , 0.20833333, 0.0625 , 0. ,
0.69791667, 0.52083333, 0.04166667, 0.375 , 0.29166667,
0.64583333, 0.94791667, 0.97916667, 1. , 0.78125 ,
0.22916667, 0.19791667, 0.58333333, 0.84375 , 0.29166667])
# 隨機生成0-100之間的100個數(50×2的矩陣)
X = np.random.randint(0, 100, (50, 2))
# 將整數轉成浮點數
X = np.array(X, dtype=float)
# 最值歸一化
X[:, 0] = (X[:, 0] - np.min(X[:, 0])) / (np.max(X[:, 0]) - np.min(X[:, 0]))
X[:, 1] = (X[:, 1] - np.min(X[:, 1])) / (np.max(X[:, 1]) - np.min(X[:, 1]))
# 繪製散點圖
plt.scatter(X[:, 0], X[:, 1])
plt.show()
print('第一列數據的均值爲', np.mean(X[:, 0]))
print('第一列數據的方差爲', np.std(X[:, 0])
print('第二列數據的均值爲', np.mean(X[:, 1]))
print('第二列數據的方差爲', np.std(X[:, 1]))
輸出結果:
第一列數據的均值爲 0.4480412371134021
第一列數據的方差爲 0.29316230758866496
第二列數據的均值爲 0.48494845360824745
第二列數據的方差爲 0.3163383877358538
三、均值方差歸一化
1.計算公式
其中,Xmean、S分別爲原始數據集的均值和方差。該歸一化方式要求原始數據的分佈可以近似爲高斯分佈,否則歸一化的效果會變得很糟糕。
2.Python實戰
# 導包
import numpy as np
import matplotlib.pyplot as plt
# 隨機生成0-100之間的100個數(50×2的矩陣)
X2 = np.random.randint(0, 100, (50, 2))
# 將整數轉成浮點數
X2 = np.array(X2, dtype=float)
# 均值方差歸一化處理
X2[:, 0] = (X2[:, 0] - np.mean(X2[:, 0])) / np.std(X2[:, 0])
X2[:, 0] = (X2[:, 1] - np.mean(X2[:, 1])) / np.std(X2[:, 1])
# 繪製散點圖
plt.scatter(X2[:, 0], X2[:, 1])
plt.show()
print('第一列數據的均值爲', np.mean(X2[:, 0]))
print('第一列數據的方差爲', np.std(X2[:, 0])
print('第二列數據的均值爲', np.mean(X2[:, 1]))
print('第二列數據的方差爲', np.std(X2[:, 1]))
輸出結果:
第一列數據的均值爲 -9.325873406851315e-17
第一列數據的方差爲 1.0
第二列數據的均值爲 5.329070518200751e-17
第二列數據的方差爲 1.0
四、歸一化要點
我們得到數據集訓練模型之前,首先會把數據集進行切分,分成訓練集和測試集,如果需要對數據進行歸一化,我們可以很容易地通過訓練集得到其最大值、最小值、均值和方差。但是測試集呢?如何對測試集進行數據歸一化呢?
正常情況下,測試數據集是模擬真實環境的,既然是真實環境,我們就很可能無法得到所有的測試集。因此當有一個新的數據需要進行預測時,我們需要使用訓練集的最大值、最小值、均值和方差對測試集數據進行歸一化。
五、使用scikit-learn進行數據歸一化
本案例採用鳶尾花數據集進行測試。
# 導包
import numpy as np
from sklearn import datasets
# 加載iris數據集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 將數據集分成訓練集和測試集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 666)
# 導入StandardScaler包(進行均值方差歸一化)
from sklearn.preprocessing import StandardScaler
standardScaler = StandardScaler()
# 訓練
standardScaler.fit(X_train)
print(standardScaler.mean_) # 均值 四個特徵的均值
print(standardScaler.scale_) # 分佈範圍
輸出結果:
array([5.83416667, 3.08666667, 3.70833333, 1.17 ])
array([0.81019502, 0.44327067, 1.76401924, 0.75317107])
# 歸一化處理
X_train = standardScaler.transform(X_train)
X_test_standard = standardScaler.transform(X_test)
X_test_standard
輸出結果:
array([[-0.28902506, -0.19551636, 0.44878573, 0.43814747],
[-0.04217092, -0.64670795, 0.78891808, 1.63309511],
[-1.0295875 , -1.77468693, -0.23147896, -0.22571233],
[-0.04217092, -0.87230374, 0.78891808, 0.96923531],
[-1.52329579, 0.03007944, -1.25187599, -1.28788802],
[-0.41245214, -1.32349533, 0.16534211, 0.17260355],
[-0.16559799, -0.64670795, 0.44878573, 0.17260355],
[ 0.82181859, -0.19551636, 0.8456068 , 1.10200727],
[ 0.57496445, -1.77468693, 0.39209701, 0.17260355],
[-0.41245214, -1.09789954, 0.39209701, 0.03983159],
[ 1.06867274, 0.03007944, 0.39209701, 0.30537551],
[-1.64672287, -1.77468693, -1.36525344, -1.15511606],
[-1.27644165, 0.03007944, -1.19518726, -1.28788802],
[-0.53587921, 0.70686683, -1.25187599, -1.0223441 ],
[ 1.68580811, 1.15805842, 1.35580532, 1.76586707],
[-0.04217092, -0.87230374, 0.22203084, -0.22571233],
[-1.52329579, 1.15805842, -1.53531961, -1.28788802],
[ 1.68580811, 0.25567524, 1.29911659, 0.83646335],
[ 1.31552689, 0.03007944, 0.78891808, 1.50032315],
[ 0.69839152, -0.87230374, 0.90229552, 0.96923531],
[ 0.57496445, 0.48127103, 0.56216318, 0.57091943],
[-1.0295875 , 0.70686683, -1.25187599, -1.28788802],
[ 2.30294347, -1.09789954, 1.80931511, 1.50032315],
[-1.0295875 , 0.48127103, -1.30856471, -1.28788802],
[ 0.45153738, -0.42111215, 0.33540828, 0.17260355],
[ 0.08125616, -0.19551636, 0.27871956, 0.43814747],
[-1.0295875 , 0.25567524, -1.42194216, -1.28788802],
[-0.41245214, -1.77468693, 0.16534211, 0.17260355],
[ 0.57496445, 0.48127103, 1.29911659, 1.76586707],
[ 2.30294347, -0.19551636, 1.35580532, 1.50032315]])
# 導包,測試數據歸一化之後KNN的性能
from sklearn.neighbors import KNeighborsClassifier
knn_clf = KNeighborsClassifier(n_neighbors = 3)
knn_clf.fit(X_train, y_train)
# 計算準確度
knn_clf.score(X_test_standard, y_test)
輸出結果:
1.0
如果訓練集進行了歸一化,測試集不做歸一化?結果又會如何?
knn_clf.score(X_test, y_test)
輸出結果:
0.3333333333333333
菜鳥還在學習ing!
後續,如有學習其他數據歸一化處理方法,繼續補充!