标准化
1 Rescaling (Min-max normalization/range scaling)
文章图片
返回原值
文章图片
将特征缩放至特定区间[a,b],将特征缩放到给定最小值a和最大值b之间，或者也可以将每个特征的最大绝对值转换至单位大小。这种方法是对原始数据的线性变换，将数据归一到[0,1]中间。转换函数为:
文章图片
返回原值
文章图片
这种方法有个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。
敲黑板，这种方法对于outlier非常敏感，因为outlier影响了max或min值，所以这种方法只适用于数据在一个范围内分布的情况。
2 Mean normalization
文章图片
返回原值
文章图片
3 Standardlization (Z-score normalization)
标准化数据通过减去均值然后除以方差（或标准差），这种数据标准化方法经过处理后数据符合标准正态分布，即均值为0，标准差为1，转化函数为：
文章图片
返回原值
文章图片
适用于：如果数据的分布本身就服从正态分布，就可以用这个方法。
通常这种方法基本可用于有outlier的情况，但是，在计算方差和均值的时候outliers仍然会影响计算。所以，在出现outliers的情况下可能会出现转换后的数的不同feature分布完全不同的情况。
4 Scaling to unit length
文章图片
返回原值
文章图片
???????
参考：
机器学习数据预处理——标准化/归一化方法
【基础学习|数据归一化、标准化Feature Scaling】
推荐阅读
- 大数据|中国聚烯烃母料市场现状调研及前景预测分析报告2022年版
- 大数据|中国自动化立体仓库行业前景预测与投资战略规划分析报告2022年版
- 大数据|中国光伏电池市场需求前景预测及投资战略规划报告2022-2028年
- Python-适用于Pandas的Bamboolib详细指南
- Python使用sklearn的线性回归详细指南
- Python使用keras进行图像分类项目示例
- Python数据分析的数学运算指南
- #|数理统计与机器学习
- 可视化|文献阅读|Nomograms列线图在肿瘤中的应用