최대 절댓값 스케일링

특징마다 다른 기준

한 특징의 학습 값에서 최대 절댓값 M을 구하고 M이 양수이면 x/M으로 변환한다. 여러 특징이 있으면 열마다 M을 따로 정한다. 표본 하나의 벡터 길이로 나누는 단위 길이 정규화와는 다르다. 모든 학습 값이 0인 특징에는 0으로 나누지 않도록 처리 규약이 필요하다.

음수와 양수의 예

학습 값이 -8,0,2,4이면 M=8이므로 결과는 -1,0,0.25,0.5다. 최대 절댓값은 1이지만 평균이 0이 되는 것은 아니다. 새 값 16에 학습 기준을 그대로 적용하면 2가 된다. 학습 자료가 범위 안에 들어갔다고 새 자료도 반드시 -1과 1 사이에 놓이는 것은 아니다.

희소성과 이상값

0에서 상수를 빼지 않으므로 희소 자료의 0을 새 비영 값으로 바꾸지 않는다. 다만 이상값의 영향을 없애는 방식은 아니다. 앞의 자료에 80이 추가되면 기준이 80으로 바뀌어 -8과 4는 각각 -0.1과 0.05로 작아진다. 큰 극단값 하나가 나머지 값들의 크기를 좌우할 수 있다.

고정 변환과 평가

평가 자료마다 최대 절댓값을 다시 구하면 학습 때와 다른 좌표계가 된다. 기준은 훈련 자료에서 정하고 이후 입력에 고정 적용해야 한다. 변환 뒤 값을 강제로 잘라 범위를 제한하면 큰 값 사이의 차이가 사라져 정확한 역변환도 어려울 수 있다. 거리나 규제에 민감한 후속 모형에서 실제 도움이 되는지 검증한다.