引言
对于机器学习中的标准化，归一化和正则化的理解，一直都比较模糊，而且在许多技术书籍中，对于它们的使用基本都是一笔带过，不理解概念的话，就不知具体对数据做了哪些操作。因此，在这里专门对这几个概念做学习与总结。
学习之前，先抛出几个问题：
- 这几个概念对数据的具体处理的操作是啥？
- 这些数据的处理适用于哪些场景， 有什么优缺点？
标准化和归一化：
归一化定义：
- 归一化（Normalization）: 将一列数据变化到某个固定区间（范围）中， 通常， 这个区间是[0,1],广义的讲， 可以是各种区间， 比如映射到[0,1] 也可以映射到其他范围，在图像中可能会映射到[0, 255], 其他情况也有可能映射到[-1,1];
- 最大值最小值的归一化,范围[0,1]
- 均值归一化（Mean normalization）, 范围[-1,1]
标准化定义:
- 标准化(Standardization): 将数据变换为均值为0，标准差为1的分布。
这里需要研究一下公式中的两个数据 μ \mu μ 和 σ \sigma σ 的含义
μ \mu μ : 表示所有样本数据的均值
σ \sigma σ : 表示所有样本数据的标准差
总体标准差：
样本标准差：
- 什么是批标准化（Batch Normalization）：
个人理解：批标准化和标准化的不同在于， 计算过程中，批标准化只会选取一小批数据先缩放与平移然后训练参数， 而标准化则会选取所有的数据进行计算。
思考：
一. 标准化之前的数据和标准化之后的数据分别是啥样子的， 通过几个图片来说明？
-
散点图的标准化
-
下面是知乎中找到的对比图片，把数据从扁拍圆了。
归一化or正则化之后：
- 下图源于 Andrew Ng 的课程讲义:
标准化之后， 可以更容易的得出最优参数 w w w和 b b b以及计算出 J ( w , b ) J(w,b) J(w,b)的最小值，从而达到加速收敛的效果。
- 下图是知乎上的两个对比图片, 图中包含体重数据和身高数据：
标准化之后：
如何数据中有异常点，标准化和归一化之后的数据区别会是什么样子的呢？
参考：
https://www.zhihu.com/question/361290840/answer/939504181
标准化更好保持了样本间距。当样本中有异常点时，归一化有可能将正常的样本“挤”到一起去。比如三个样本，某个特征的值为1,2,10000，假设10000这个值是异常值，用归一化的方法后，正常的1,2就会被“挤”到一起去。如果不幸的是1和2的分类标签还是相反的，那么，当我们用梯度下降来做分类模型训练时，模型会需要更长的时间收敛，因为将样本分开需要更大的努力！而标准化在这方面就做得很好，至少它不会将样本“挤到一起”。
- 标准化之后，为什么可以做到数据的标准差为1？
标准化之后，数据的均值为0 ，这个可以很明显的看出来，相加一下就得出来了。但是如何证明数据的标准差为1 呢？
其中标准差 σ \sigma σ的公式为：
推理如下：
假设新数据为 a i a_i ai, 新数据的均值为0，则新数据的标准差可以简化如下：
下面只需要证明：
其中：
这种情况下，把 ( a i ) 2 (a_i)^2 (ai)2累加起来， 分母和分子不就抵消了吗，可以得出：
因此，成功证明，数据在标准化之后，计算出的标准差为1。
中心化
- 中心化： 也叫做零均值处理， 就是将每个原始数据减去这些数据的均值，本文就不详述了。
标准化和归一化的区别与联系，使用场景
联系
首先说说标准化和归一化的联系:
标准化和归一化其实本质上都是对数据的线性变换，（也就是说，变换前后，数据的形状是一样的，数据的排列顺序没有改变）
我们以标准化为例，说明一下数据是如何平移变换的：
当数据给定后，可以认为 μ \mu μ和 σ \sigma σ都是常数， 因此数据就是先缩放 σ \sigma σ,再平移 μ σ \frac{\mu}{\sigma} σμ, 这就是一个线性变换。
区别
- 归一化的数据，会严格限定变换后的范围区间； 而标准化的数据，在变换之后就没有固定的数据范围， 只是均值为0， 标准差为1。
- 归一化的数据缩放比例可能只和极值有关， 而标准化的数据的缩放比例会受到每个数据的影响。
适用场景：
标准化，归一化的用途：
- 机器学习中有一些算法需要使用到距离的计算， 例如PCA， KNN， kmeans等，这种情况下距离的计算容易受到较大的值的影响，因此适合使用标准化，归一化。
- 参数估计的时候会使用梯度下降算法， 在使用梯度下降算法求解最优化问题的时候，使用标准化，归一化的方法可以加快梯度下降的求解速度， 提升模型的收敛速度。
- 如果使用算法不涉及距离相关的， 比如决策树模型，则不需要使用归一化，标准化。
什么时候使用归一化，什么时候使用的正则化：
-
如果对处理后的数据范围有严格要求，使用归一化。
-
如果数据不稳定，存在极端的最大最小值，建议使用正则化。
-
使用距离度量相似性或者使用PCA技术进行降维的时候，建议使用标准化。
-
问题： 均值为0 方差为1 的分布一定是正态分布吗？（自查）
正则化
- 为什么要使用正则化？
正则化是为了防止过拟合，进而增强泛化能力。 之前介绍的标准化，归一化，是作用与训练数据，方便模型训练，提升模型收敛速度的。而正则化是作用于目标函数，减缓参数出现过拟合的现象。
在训练模型的过程中，有许多参数需要通过对损失函数求极小值来确定， 求参数的过程中，希望梯度下降到最小值点， 最终找到合适的w确定模型。
一个原始的，不带正则的线性损失函数如下：
E ( w ) = 1 2 ∑ n = 1 N { t n − w T ϕ ( x n ) } 2 (1) E(\mathbf w) =\frac{1}{2} \sum_{n=1}^{N}\{t_n-\mathbf w^T \phi (\mathbf x_n)\}^2 \tag{1} E(w)=21n=1∑N{tn−wTϕ(xn)}2(1)
加上正则化的的损失函数如下：
1 2 ∑ n = 1 N { t n − w T ϕ ( x n ) } 2 + λ 2 w T w (2) \frac{1}{2} \sum_{n=1}^{N}\{t_n-\mathbf w^T \phi (\mathbf x_n)\}^2 + \frac{\lambda}{2} \mathbf w^T \mathbf w \tag{2} 21n=1∑N{tn−wTϕ(xn)}2+2λwTw(2)
从公式中我们可以看出， 我们可以将 λ \lambda λ（也被称之为正则化系数）设置大一些，使得对参数的限制增强。我们加入的正则项，会在训练过程中自动限制参数过大的现象，从而减少过拟合。
1 2 ∑ n = 1 N { t n = w T ϕ ( x n ) } 2 + λ 2 w T w \frac{1}{2}\sum_{n=1}^N\{t_n = \pmb{w}^T \phi(\pmb{x}_n)\}^2 + \frac{\lambda}{2}\pmb{w}^T\pmb{w} 21n=1∑N{tn=wwwTϕ(xxxn)}2+2λwwwTwww
再来介绍一下什么是一次正则，二次正则。
1 2 ∑ n = 1 N { t n − w T ϕ ( x n ) } 2 + λ 2 ∑ j = 1 M ∣ w j ∣ q (3) \frac{1}{2} \sum_{n=1}^{N}\{t_n-\mathbf w^T \phi (\mathbf x_n)\}^2 + \frac{\lambda}{2} \sum_{j=1}^{M} {\vert w_j \vert}^q \tag{3} 21n=1∑N{tn−wTϕ(xn)}2+2λj=1∑M∣wj∣q(3)
公式里的q就表示模型的阶次，我们可以取 q=1,q=2等等。其中二次正则是比较常用的。这里介绍一下一次正则项的优势： 可以降低维度， 比二次正则更稀疏， 但是， 一次正则有拐点，不是处处可微的，这就给计算带来了难度。
总结：
终于搞懂了标准化，归一化和正则化的区别了。标准化和归一化是作用于训练数据，而正则化是作用与训练参数防止过拟合的。 一般来讲，只要模型涉及距离计算的，都需要使用标准化或者正则化，具体使用哪个方法，可以视模型的实际情况来确定。
参考文档：
https://blog.csdn.net/kdongyi/article/details/83932945
https://zhuanlan.zhihu.com/p/29957294
https://www.zhihu.com/question/20467170/answer/839255695
https://blog.csdn.net/weixin_36604953/article/details/102652160
公式参考：
https://www.cnblogs.com/daizongqi/p/11525397.html