主要是讀了這篇文章才深入理解這兩個的區別
歸一化
對原始資料進行線性轉換到 [0,1] 區間，如下：
最小值和最大值特別容易受異常值影響，因此魯棒性不好，比較適合傳統的小資料場景
標準化
最常用的方法是z-score標準化，即將資料轉化成均值為0，標準差為1，處理方法如下：
其中理論解釋
歸一化的依據非常簡單，歸一化可以消除量綱對結果的影響，使不同變數有可比性。
標準化的依據相對複雜，它表示原始值和均值之間差幾個標準差，是乙個相對值，有去除量綱的效果，還帶來了兩個附加好處：均值為0，方差為1.
均值為0可以帶來很多遍歷，比如在去中心化的資料上做svd分解等價於在原始資料上做pca；機器學習中很多函式如sigmoid、tanh、softmax等都以0為中心左右分布（不一定對稱），這點後續需要再詳細琢磨
標準差為1帶來的好處：對於
其中其中，
可見第j個變數對最終整體平均距離的影響是
其中如果想讓每個維度在計算距離時發揮相同的作用，應該選擇標準化，如果想保留原始資料中由標準差所反映的潛在權重關係，應該選擇歸一化；標準化更適合噪音大資料。
標準化 和 歸一化
1 把數變為 0，1 之間的小數 主要是為了資料處理方便提出來的，把資料對映到0 1範圍之內處理，更加便捷快速。2 把有量綱表示式變為無量綱表示式 歸一化是一種簡化計算的方式，即將有量綱的表示式，經過變換，化為無量綱的表示式，成為純量。好處 1 歸一化後加快了梯度下降求最優解的速度 2 歸一化有可能...
標準化和歸一化
歸一化 0 1 normalization min max normalization 把數變為 0，1 之間的小數，特徵資料範圍不同歸一化後方便統一處理 這種方法有乙個缺陷就是當有新資料加入時，可能導致max和min的變化，需要重新定義 z score 標準化 zero mean normaliz...
歸一化和標準化
一，歸一化 處理不同特徵之間資料相差不是太大的問題。特徵1特徵2 特徵3特徵4802 1030404 1540303 1245 以計算80這個位置進行轉換為例，特徵1這一列 x 80 30 80 30 1 x 1 1 0 0 1 故80轉換化為x 1 其它位置同理。如下 from sklearn.p...