Нормализация входных векторов (Normalization) Скачать в PDF

Синонимы: Нормировка значений признаков

Разделы: Алгоритмы

Loginom: Нормализация

Нормализация — это процедура предобработки входных данных (обучающих, тестовых и рабочих множеств), при которой значения признаков, образующих входной вектор, приводятся к некоторому заданному диапазону.

Нормализация необходима потому, что исходные значения признаков могут изменяться в очень большом диапазоне, и работа аналитических моделей (нейронных сетей, карт Кохонена и др.) с такими данными может оказаться некорректной.

Так, в одном входном векторе могут содержаться значения, отличающиеся друг от друга на несколько порядков, например, возраст и доход клиента. Данная ситуация может иметь место и для значений одного признака, например, доходы клиентов могут различаться в десятки и сотни раз.

Такой дисбаланс между значениями признаков может вызвать неустойчивость работы модели, ухудшить результаты обучения и замедлить его процесс. После нормализации все значения входных признаков будут приведены к некоторому ограниченному диапазону (например, [0…1] или [-1…1]), что позволит моделям работать с ними более корректно. Нормализация может быть линейной и нелинейной.

Существует множество способов нормализации значений признаков. К числу наиболее популярных относятся десятичное масштабирование, минимаксная нормализация, нормализация стандартным отклонением и др.