Центрирование данных (Data Centering)

Суть центрирования проще всего понять на бытовой аналогии.

Представьте, что вы организуете вечеринку и хотите расставить стулья вокруг стола. Если стол стоит не по центру комнаты, стулья будут располагаться неравномерно — с одной стороны их будет больше, с другой меньше. Чтобы всё выглядело гармонично, вы сначала перемещаете стол в центр комнаты, а затем уже расставляете стулья вокруг него. Аналогично и с данными: центрирование «перемещает» данные так, чтобы их «центр тяжести» (среднее значение) оказался в нуле, что упрощает дальнейшую работу алгоритмов.

Исторически предобработка данных, включая центрирование, стала активно применяться с развитием методов многомерной статистики и линейной алгебры, лежащих в основе многих алгоритмов машинного обучения. Хотя точное время появления термина «центрирование данных» в контексте ML установить сложно, практика нормализации и центрирования данных прочно вошла в стандарт предобработки с 1980–1990‑х годов, когда начали активно развиваться нейронные сети и методы обучения с учителем. Важную роль в популяризации предобработки сыграли работы по анализу главных компонент (PCA), где центрирование — обязательный шаг перед вычислением ковариационной матрицы.

Центрирование часто путают с нормализацией и стандартизацией, но между ними есть различия:

• Центрирование меняет только среднее значение признака (сдвигает распределение), не затрагивая его разброс (дисперсию).
• Нормализация обычно приводит значения признака к диапазону [0, 1] или [−1, 1], меняя и среднее, и дисперсию.
• Стандартизация (z‑score normalization) не только центрирует данные, но и делит их на стандартное отклонение, приводя распределение к нулевому среднему и единичной дисперсии.

Центрирование данных применяется в самых разных сценариях машинного обучения и нейросетей:

• перед применением PCA (анализа главных компонент) — без центрирования результаты PCA будут некорректны;
• в алгоритмах градиентного спуска — центрирование ускоряет сходимость, так как делает поверхность ошибки более «симметричной»;
• в свёрточных нейронных сетях (CNN) — часто центрируют входные изображения (например, вычитают средний пиксель по датасету);
• в рекуррентных сетях (RNN) и трансформерах — центрирование входных последовательностей может улучшить стабильность обучения.

Примеры:

• в библиотеке scikit‑learn центрирование выполняется через StandardScaler (если установить with_std=False) или вручную вычитанием X.mean(axis=0);
• в PyTorch и TensorFlow/Keras центрирование часто встраивают в пайплайн предобработки данных (например, через torchvision.transforms.Normalize с нулевым средним);
• в датасетах типа ImageNet принято вычитать средний пиксель (например, [0.485, 0.456, 0.406] для RGB‑каналов), что фактически является центрированием.