机器学习中数值型特征做特征归一化

今天去某外卖平台面试机器学习算法工程师，二面时面试官问到数值型特征工程，提到归一化，按常规想法就是MinMaxScaler或Zscore。本以为回答完美，但被面试官追问，为什么做归一化，做与不做，有什么区别？这让我猝不及防，就按自己的理解说，某些特征的数值相较其他特征数值范围差异大，在算法的训练中，对结果受影响。面试官又问什么程度是大？被这追问问的头皮发麻。后面又提到数值型特征也可以用对数?又被问什么用对数，我就说对数是针对某些指数型数据特征，降低数据的长度，有助于模型的训练，加速训练。这个时候也不知道自己说的对不对，脑子问的一片空白。这就是自己学艺不精，也是面试官的压力测试，不停追问为什么。

现在回到家，静静的梳理一下今天下午的问题吧

特征归一化（Feature Scaling），这也是许多机器学习模型都需要注意的问题。

有些模型在各个维度进行不均匀伸缩后，最优解与原来不等价，例如SVM。对于这样的模型，除非本来各维数据的分布范围就比较接近，否则必须进行标准化，以免模型参数被分布范围较大或较小的数据占有优势。

有些模型在各个维度进行不均匀伸缩后，最优解与原来等价，例如logistic regression。对于这样的模型，是否标准化理论上不会改变最优解。但是，由于实际求解往往使用迭代算法，如果目标函数的形状太“扁”，迭代算法可能收敛得很慢甚至不收敛。所以对于具有伸缩不变性的模型，最好也进行数据标准化。

做归一化有什么好处呢？

其一是提升模型训练速度。

比如就两个特征，一个特征取值为0~2000，而另一个特征取值为1-5，对其进行优化时，会得到一个长的椭圆形，导致在梯度下降时，梯度的方向为垂直等高线的方向而走之字形路线，这样会使迭代慢。相比之下，做过鬼优化的迭代就会很快。

Feature Scaling：（make sure features are on a similar scale）

其二，提升模型的精度。

在涉及到一些距离计算的算法时效果显著，比如算法要计算欧式距离。做归一化很有必要，可以让各个特征对结果做出的贡献相同。

关于归一化的选择：

1）在分类、聚类算法中，需要使用距离来度量相似性的时候，或者使用PCA技术进行降维的时候，用Zscore表现更好。

2）在不涉及距离度量、协方差计算、数据不符合正太分布的时候，可以使用minmaxscore或其他归一化方法。