为什么要做特征归一化/标准化？

た入场券 2023-05-29 03:20 80阅读 0赞

### 文章目录 ###

*  写在前面
 *  常用feature scaling方法
 *  计算方式上对比分析
 *  feature scaling 需要还是不需要
 *   *  什么时候需要feature scaling？
     *  什么时候不需要Feature Scaling？
 *  小结
 *  参考

博客： [blog.shinelee.me][] | [博客园][Link 1] | [CSDN][]

# 写在前面 #

--------------------

Feature scaling，常见的提法有“特征归一化”、“标准化”，是数据预处理中的重要技术，有时甚至决定了算法能不能work以及work得好不好。谈到feature scaling的必要性，最常用的2个例子可能是：

*  **特征间的单位（尺度）可能不同**，比如身高和体重，比如摄氏度和华氏度，比如房屋面积和房间数，一个特征的变化范围可能是 \[ 1000 , 10000 \] \[1000, 10000\] \[1000,10000\]，另一个特征的变化范围可能是 \[ − 0.1 , 0.2 \] \[-0.1, 0.2\] \[−0.1,0.2\]，在进行距离有关的计算时，单位的不同会导致计算结果的不同，尺度大的特征会起决定性作用，而尺度小的特征其作用可能会被忽略，**为了消除特征间单位和尺度差异的影响，以对每维特征同等看待，需要对特征进行归一化**。
 *  原始特征下，**因尺度差异，其损失函数的等高线图可能是椭圆形**，梯度方向垂直于等高线，下降会走zigzag路线，而不是指向local minimum。通过对特征进行zero-mean and unit-variance变换后，其损失函数的等高线图更接近圆形，梯度下降的方向震荡更小，收敛更快，如下图所示，图片来自Andrew Ng。
    
    ![Feature Scaling from Andrew Ng][]

对于feature scaling中最常使用的Standardization，似乎“无脑上”就行了，本文想多探究一些为什么，

*  常用的feature scaling方法都有哪些？
 *  什么情况下该使用什么feature scaling方法？有没有一些指导思想？
 *  所有的机器学习算法都需要feature scaling吗？有没有例外？
 *  损失函数的等高线图都是椭圆或同心圆吗？能用椭圆和圆来简单解释feature scaling的作用吗？
 *  如果损失函数的等高线图很复杂，feature scaling还有其他直观解释吗？

根据查阅到的资料，本文将尝试回答上面的问题。但笔者能力有限，空有困惑，能讲到哪算哪吧（微笑）。

# 常用feature scaling方法 #

--------------------

在问为什么前，先看是什么。

给定数据集，令特征向量为 x x x，维数为 D D D，样本数量为 R R R，可构成 D × R D \\times R D×R的矩阵，一列为一个样本，一行为一维特征，如下图所示，图片来自[Hung-yi Lee pdf-Gradient Descent][]：

![feature matrix][]

feature scaling的方法可以分成2类，逐行进行和逐列进行。逐行是对每一维特征操作，逐列是对每个样本操作，上图为逐行操作中特征标准化的示例。

具体地，常用feature scaling方法如下，来自[wiki][]，

*  **Rescaling (min-max normalization、range scaling)**：  
     x ′ = a + ( x − min ⁡ ( x ) ) ( b − a ) max ⁡ ( x ) − min ⁡ ( x ) x^\{\\prime\}=a+\\frac\{(x-\\min (x))(b-a)\}\{\\max (x)-\\min (x)\} x′=a\+max(x)−min(x)(x−min(x))(b−a)  
    将每一维特征线性映射到目标范围 \[ a , b \] \[a, b\] \[a,b\]，即将最小值映射为 a a a，最大值映射为 b b b，常用目标范围为 \[ 0 , 1 \] \[0, 1\] \[0,1\]和 \[ − 1 , 1 \] \[-1, 1\] \[−1,1\]，特别地，映射到 \[ 0 , 1 \] \[0, 1\] \[0,1\]计算方式为：  
     x ′ = x − min ⁡ ( x ) max ⁡ ( x ) − min ⁡ ( x ) x^\{\\prime\}=\\frac\{x-\\min (x)\}\{\\max (x)-\\min (x)\} x′=max(x)−min(x)x−min(x)
 *  **Mean normalization**：  
     x ′ = x − x ˉ max ⁡ ( x ) − min ⁡ ( x ) x^\{\\prime\}=\\frac\{x-\\bar\{x\}\}\{\\max (x)-\\min (x)\} x′=max(x)−min(x)x−xˉ  
    将**均值映射为0**，同时用最大值最小值的差对特征进行归一化，一种更常见的做法是用标准差进行归一化，如下。
 *  **Standardization (Z-score Normalization)**：  
     x ′ = x − x ˉ σ x^\{\\prime\}=\\frac\{x-\\bar\{x\}\}\{\\sigma\} x′=σx−xˉ  
    每维特征**0均值1方差（zero-mean and unit-variance）**。
 *  **Scaling to unit length**：  
     x ′ = x ∥ x ∥ x^\{\\prime\}=\\frac\{x\}\{\\|x\\|\} x′=∥x∥x  
    将每个样本的特征向量除以其长度，即对样本特征向量的长度进行归一化，长度的度量常使用的是L2 norm（欧氏距离），有时也会采用L1 norm，不同度量方式的一种对比可以参见论文[“CVPR2005-Histograms of Oriented Gradients for Human Detection”][CVPR2005-Histograms of Oriented Gradients for Human Detection]。

上述4种feature scaling方式，前3种为逐行操作，最后1种为逐列操作。

**容易让人困惑的一点是指代混淆，Standardization指代比较清晰，但是单说Normalization有时会指代min-max normalization，有时会指代Standardization，有时会指代Scaling to unit length**。

# 计算方式上对比分析 #

--------------------

前3种feature scaling的计算方式为**减一个统计量再除以一个统计量**，最后1种为**除以向量自身的长度**。

*  **减一个统计量**可以看成**选哪个值作为原点，是最小值还是均值，并将整个数据集平移到这个新的原点位置**。如果特征间偏置不同对后续过程有负面影响，则该操作是有益的，可以看成是某种**偏置无关操作**；如果原始特征值有特殊意义，比如稀疏性，该操作可能会破坏其稀疏性。
 *  **除以一个统计量**可以看成在**坐标轴方向上对特征进行缩放**，用于**降低特征尺度的影响，可以看成是某种尺度无关操作**。缩放可以使用最大值最小值间的跨度，也可以使用标准差（到中心点的平均距离），前者对outliers敏感，outliers对后者影响与outliers数量和数据集大小有关，outliers越少数据集越大影响越小。
 *  **除以长度**相当于把长度归一化，**把所有样本映射到单位球上**，可以看成是某种**长度无关操作**，比如，词频特征要移除文章长度的影响，图像处理中某些特征要移除光照强度的影响，以及方便计算余弦距离或内积相似度等。

稀疏数据、outliers相关的更多数据预处理内容可以参见[scikit learn-5.3. Preprocessing data][]。

从几何上观察上述方法的作用，图片来自[CS231n-Neural Networks Part 2: Setting up the Data and the Loss][CS231n-Neural Networks Part 2_ Setting up the Data and the Loss]，zero-mean将数据集平移到原点，unit-variance使每维特征上的跨度相当，图中可以明显看出两维特征间存在线性相关性，Standardization操作并没有消除这种相关性。

![Standardization][]

可通过PCA方法移除线性相关性（decorrelation），即引入旋转，找到新的坐标轴方向，在新坐标轴方向上用“标准差”进行缩放，如下图所示，图片来自[链接][Link 2]，图中同时描述了unit length的作用——将所有样本映射到单位球上。

![Effect of the operations of standardization and length normalization][]

当特征维数更多时，对比如下，图片来自[youtube][]，

![feature scaling comparison][]

总的来说，**归一化/标准化的目的是为了获得某种“无关性”——偏置无关、尺度无关、长度无关……当归一化/标准化方法背后的物理意义和几何含义与当前问题的需要相契合时，其对解决该问题就有正向作用，反之，就会起反作用。所以，“何时选择何种方法”取决于待解决的问题，即problem-dependent。**

# feature scaling 需要还是不需要 #

--------------------

下图来自[data school-Comparing supervised learning algorithms][]，对比了几个监督学习算法，最右侧两列为是否需要feature scaling。

![Comparing supervised learning algorithms][]

下面具体分析一下。

## 什么时候需要feature scaling？ ##

*  涉及或隐含**距离计算**的算法，比如K-means、KNN、PCA、SVM等，一般需要feature scaling，因为
    
     *  **zero-mean一般可以增加样本间余弦距离或者内积结果的差异**，区分力更强，假设数据集集中分布在第一象限遥远的右上角，将其平移到原点处，可以想象样本间余弦距离的差异被放大了。在模版匹配中，zero-mean可以明显提高响应结果的区分度。
     *  就欧式距离而言，**增大某个特征的尺度，相当于增加了其在距离计算中的权重，如果有明确的先验知识表明某个特征很重要，那么适当增加其权重可能有正向效果，但如果没有这样的先验，或者目的就是想知道哪些特征更重要，那么就需要先feature scaling，对各维特征等而视之**。
     *  增大尺度的同时也增大了该特征维度上的方差，PCA算法倾向于关注方差较大的特征所在的坐标轴方向，其他特征可能会被忽视，因此，在PCA前做Standardization效果可能更好，如下图所示，图片来自[scikit learn-Importance of Feature Scaling][]，
        
        ![PCA and Standardization][]
 *  损失函数中含有**正则项**时，一般需要feature scaling：对于线性模型 y = w x + b y=wx+b y=wx\+b而言， x x x的任何线性变换（平移、放缩），都可以被 w w w和 b b b“吸收”掉，理论上，不会影响模型的拟合能力。但是，如果损失函数中含有正则项，如 λ ∣ ∣ w ∣ ∣ 2 \\lambda ||w||^2 λ∣∣w∣∣2， λ \\lambda λ为超参数，其对 w w w的每一个参数施加同样的惩罚，但对于某一维特征 x i x\_i xi而言，其scale越大，系数 w i w\_i wi越小，其在正则项中的比重就会变小，相当于对 w i w\_i wi惩罚变小，即损失函数会相对忽视那些scale增大的特征，这并不合理，所以需要feature scaling，使损失函数平等看待每一维特征。
 *  **梯度下降算法，需要feature scaling**。梯度下降的参数更新公式如下，  
     W ( t + 1 ) = W ( t ) − η d E ( W ) d W W(t+1)=W(t)-\\eta \\frac\{d E(W)\}\{d W\} W(t\+1)=W(t)−ηdWdE(W)  
     E ( W ) E(W) E(W)为损失函数，**收敛速度取决于：参数的初始位置到local minima的距离，以及学习率 η \\eta η的大小**。一维情况下，**在local minima附近**，不同学习率对梯度下降的影响如下图所示，
    
    ![Gradient descent for different learning rates][]
    
    多维情况下可以分解成多个上图，每个维度上分别下降，参数 W W W为向量，但学习率只有1个，即所有参数维度共用同一个学习率（暂不考虑为每个维度都分配单独学习率的算法）。\*\*收敛意味着在每个参数维度上都取得极小值，每个参数维度上的偏导数都为0，但是每个参数维度上的下降速度是不同的，为了每个维度上都能收敛，学习率应取所有维度在当前位置合适步长中最小的那个。\*\*下面讨论feature scaling对gradient descent的作用，
    
     *  **zero center与参数初始化相配合，缩短初始参数位置与local minimum间的距离，加快收敛**。模型的最终参数是未知的，所以一般随机初始化，比如从0均值的均匀分布或高斯分布中采样得到，对线性模型而言，其分界面初始位置大致在原点附近，bias经常初始化为0，则分界面直接通过原点。同时，为了收敛，学习率不会很大。而每个数据集的特征分布是不一样的，如果其分布集中且距离原点较远，比如位于第一象限遥远的右上角，分界面可能需要花费很多步骤才能“爬到”数据集所在的位置。所以，无论什么数据集，先平移到原点，再配合参数初始化，可以保证分界面一定会穿过数据集。此外，**outliers常分布在数据集的外围**，与分界面从外部向内挪动相比，从中心区域开始挪动可能受outliers的影响更小。
     *  对于采用均方误差损失LMS的线性模型，损失函数恰为二阶，如下图所示  
         E ( W ) = 1 2 P ∑ p = 1 P ∣ d p − ∑ i w i x i p ∣ 2 E(W)=\\frac\{1\}\{2 P\} \\sum\_\{p=1\}^\{P\}\\left|d^\{p\}-\\sum\_\{i\} w\_\{i\} x\_\{i\}^\{p\}\\right|^\{2\} E(W)=2P1p=1∑P∣∣∣∣∣dp−i∑wixip∣∣∣∣∣2  
        **不同方向上的下降速度变化不同（二阶导不同，曲率不同）**，恰由输入的协方差矩阵决定，**通过scaling改变了损失函数的形状，减小不同方向上的曲率差异**。将每个维度上的下降分解来看，给定一个下降步长，如果不够小，有的维度下降的多，有的下降的少，有的还可能在上升，损失函数的整体表现可能是上升也可能是下降，就会不稳定。**scaling后不同方向上的曲率相对更接近，更容易选择到合适的学习率，使下降过程相对更稳定。**
     *  另有从Hessian矩阵特征值以及condition number角度的理解，详见[Lecun paper-Efficient BackProp][]中的Convergence of Gradient Descent一节，有清晰的数学描述，同时还介绍了白化的作用——解除特征间的线性相关性，使每个维度上的梯度下降可独立看待。
     *  文章开篇的椭圆形和圆形等高线图，仅在采用均方误差的线性模型上适用，其他损失函数或更复杂的模型，如深度神经网络，**损失函数的error surface可能很复杂，并不能简单地用椭圆和圆来刻画**，所以用它来解释feature scaling对所有损失函数的梯度下降的作用，似乎过于简化，见[Hinton vedio-3.2 The error surface for a linear neuron][]。
     *  对于损失函数不是均方误差的情况，只要权重 w w w与输入特征 x x x间是相乘关系，损失函数对 w w w的偏导必然含有因子 x x x， w w w的梯度下降速度就会受到特征 x x x尺度的影响。理论上为每个参数都设置上自适应的学习率，可以吸收掉 x x x尺度的影响，但在实践中出于计算量的考虑，往往还是所有参数共用一个学习率，此时 x x x尺度不同可能会导致不同方向上的下降速度悬殊较大，学习率不容易选择，下降过程也可能不稳定，通过scaling可对不同方向上的下降速度有所控制，使下降过程相对更稳定。
 *  对于传统的神经网络，对输入做feature scaling也很重要，因为采用sigmoid等有饱和区的激活函数，如果输入分布范围很广，参数初始化时没有适配好，很容易直接陷入饱和区，导致**梯度消失**，所以，需要对输入做Standardization或映射到 \[ 0 , 1 \] \[0,1\] \[0,1\]、 \[ − 1 , 1 \] \[-1,1\] \[−1,1\]，配合精心设计的参数初始化方法，对值域进行控制。但自从有了Batch Normalization，每次线性变换改变特征分布后，都会重新进行Normalization，似乎可以不太需要对网络的输入进行feature scaling了？但习惯上还是会做feature scaling。

## 什么时候不需要Feature Scaling？ ##

*  与距离计算无关的概率模型，不需要feature scaling，比如Naive Bayes；
 *  与距离计算无关的基于树的模型，不需要feature scaling，比如决策树、随机森林等，树中节点的选择只关注当前特征在哪里切分对分类更好，即只在意特征内部的相对大小，而与特征间的相对大小无关。

# 小结 #

--------------------

这篇文章写的十分艰难，一开始以为蛮简单直接，但随着探索的深入，冒出的问号越来越多，打破了很多原来的“理所当然”，所以，在写的过程中不停地做加法，很多地方想解释得尽量直观，又不想照搬太多公式，但自己的理解又不够深刻，导致现在叙述这么冗长，希望以后在写文时能更专注更精炼。

Sigh。。。

# 参考 #

--------------------

*  [wiki-Feature scaling][wiki]
 *  [wiki-Backpropagation][]
 *  [Hung-yi Lee pdf-Gradient Descent][]
 *  [quora-Why does mean normalization help in gradient descent?][quora-Why does mean normalization help in gradient descent]
 *  [scikit learn-Importance of Feature Scaling][]
 *  [scikit learn-5.3. Preprocessing data][]
 *  [scikit learn-Compare the effect of different scalers on data with outliers][]
 *  [data school-Comparing supervised learning algorithms][]
 *  [Lecun paper-Efficient BackProp][]
 *  [Hinton vedio-3.2 The error surface for a linear neuron][]
 *  [CS231n-Neural Networks Part 2: Setting up the Data and the Loss][CS231n-Neural Networks Part 2_ Setting up the Data and the Loss]
 *  [ftp-Should I normalize/standardize/rescale the data?][ftp-Should I normalize_standardize_rescale the data]
 *  [medium-Understand Data Normalization in Machine Learning][]
 *  [Normalization and Standardization][]
 *  [How and why do normalization and feature scaling work?][How and why do normalization and feature scaling work]
 *  [Is it a good practice to always scale/normalize data for machine learning?][Is it a good practice to always scale_normalize data for machine learning]
 *  [When conducting multiple regression, when should you center your predictor variables & when should you standardize them?][When conducting multiple regression_ when should you center your predictor variables _ when should you standardize them]

[blog.shinelee.me]: https://blog.shinelee.me/
[Link 1]: https://www.cnblogs.com/shine-lee/
[CSDN]: https://blog.csdn.net/blogshinelee
[Feature Scaling from Andrew Ng]: https://s2.ax1x.com/2019/10/30/K4ZoHf.png
[Hung-yi Lee pdf-Gradient Descent]: http://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2016/Lecture/Gradient%20Descent%20%28v2%29.pdf
[feature matrix]: https://s2.ax1x.com/2019/10/30/KhqCb6.png
[wiki]: https://wiki2.org/en/Feature_scaling
[CVPR2005-Histograms of Oriented Gradients for Human Detection]: https://lear.inrialpes.fr/people/triggs/pubs/Dalal-cvpr05.pdf
[scikit learn-5.3. Preprocessing data]: https://scikit-learn.org/stable/modules/preprocessing.html#preprocessing-data
[CS231n-Neural Networks Part 2_ Setting up the Data and the Loss]: http://cs231n.github.io/neural-networks-2/
[Standardization]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9zMi5heDF4LmNvbS8yMDE5LzEwLzMxL0tJd1hIeC5wbmc?x-oss-process=image/format,png
[Link 2]: https://www.researchgate.net/publication/221488699_Intersession_Compensation_and_Scoring_Methods_in_the_i-vectors_Space_for_Speaker_Recognition
[Effect of the operations of standardization and length normalization]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9zMi5heDF4LmNvbS8yMDE5LzEwLzMwL0s0Wm10Zy5wbmc?x-oss-process=image/format,png
[youtube]: https://www.youtube.com/watch?v=iYQbwgBh1aQ
[feature scaling comparison]: https://s2.ax1x.com/2019/11/01/K71RXV.png
[data school-Comparing supervised learning algorithms]: https://www.dataschool.io/comparing-supervised-learning-algorithms/
[Comparing supervised learning algorithms]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9zMi5heDF4LmNvbS8yMDE5LzEwLzMxL0tJektLTy5wbmc?x-oss-process=image/format,png
[scikit learn-Importance of Feature Scaling]: https://scikit-learn.org/stable/auto_examples/preprocessing/plot_scaling_importance.html
[PCA and Standardization]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9zMi5heDF4LmNvbS8yMDE5LzEwLzMxL0tvTXgwSi5wbmc?x-oss-process=image/format,png
[Gradient descent for different learning rates]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9zMi5heDF4LmNvbS8yMDE5LzExLzAxL0tINTJsUS5wbmc?x-oss-process=image/format,png
[Lecun paper-Efficient BackProp]: http://yann.lecun.com/exdb/publis/pdf/lecun-98b.pdf
[Hinton vedio-3.2 The error surface for a linear neuron]: https://www.bilibili.com/video/av9838961/?p=12
[wiki-Backpropagation]: https://wiki2.org/en/Backpropagation
[quora-Why does mean normalization help in gradient descent]: https://www.quora.com/Why-does-mean-normalization-help-in-gradient-descent
[scikit learn-Compare the effect of different scalers on data with outliers]: https://scikit-learn.org/stable/auto_examples/preprocessing/plot_all_scaling.html#compare-the-effect-of-different-scalers-on-data-with-outliers
[ftp-Should I normalize_standardize_rescale the data]: ftp://ftp.sas.com/pub/neural/FAQ2.html
[medium-Understand Data Normalization in Machine Learning]: https://towardsdatascience.com/understand-data-normalization-in-machine-learning-8ff3062101f0
[Normalization and Standardization]: https://www.renom.jp/notebooks/tutorial/preprocessing/normalization/notebook.html
[How and why do normalization and feature scaling work]: https://stats.stackexchange.com/questions/41704/how-and-why-do-normalization-and-feature-scaling-work
[Is it a good practice to always scale_normalize data for machine learning]: https://stats.stackexchange.com/questions/189652/is-it-a-good-practice-to-always-scale-normalize-data-for-machine-learning?noredirect=1&lq=1
[When conducting multiple regression_ when should you center your predictor variables _ when should you standardize them]: https://stats.stackexchange.com/questions/29781/when-conducting-multiple-regression-when-should-you-center-your-predictor-varia