本文**
感謝原作者的付出和分享
在機器學習中領域中的資料分析之前，通常需要將資料標準化，利用標準化後得資料進行資料分析。不同評價指標往 往具
有不同的量綱和量綱單位，這樣的情況會影響到資料分析的結果，為了消除指標之間的量綱影響，需要進行資料
標準化處
理，以解決資料指標之間的可比性。原始資料經過資料標準化處理後，各指標處於同一數量級，適合進行綜
合對比評價。
contents
1. 歸一化的定義
2. 常用歸一化方法
1. 歸一化的定義
歸一化用一句話說就是：把資料經過處理後使之限定在一定的範圍內。比如通常限制在區間[0, 1]或者[-1, 1]
等等。那麼為什麼要進行歸一化呢？ 那麼首先要說到乙個重要的概念，即奇異樣本資料。所謂奇異樣本資料資料
指的是相對於
其他輸入樣本特別大或特別小的樣本向量。舉個例子，比如下面的兩個特徵樣本資料
上面第五列的資料相對於其它的列的資料就是奇異樣本資料，奇異樣本資料的存在會引起訓練時間增大，並可能引 起
無法收斂。所以在存在奇異樣本資料的情況下，進行訓練之前最好進行歸一化，如果不存在奇異樣本資料，則可 以不
用歸一化。
2. 常用歸一化方法
常用歸一化方法有最大-最小標準化，z-score標準化，函式轉化等等。
（1）最大-最小標準化
最大-最小標準化是對原始資料進行線性變換，設
個原始值
疑問：此處由於奇異樣本的存在，導致歸一化後前四列資料分散不開，全湊在乙個非常小的數左右，比如進行[0，1]之間的歸一化，前四列歸一化後非常靠近0，最後一列非常靠近1，樣本多樣性較差。是否合理？
（2）z-score標準化
z-score標準化是基於原始資料的均值和標準差進行的資料標準化。將屬性
準化成情況。
其中z-score標準化得到的結果是所有資料都聚集在0附近，方差為1。
還有一些歸一化方法，如對數函式轉換，反餘切函式轉換等方法用的不多，暫時就不講了。
神經網路訓練之資料歸一化處理
神經網路訓練之資料歸一化處理。在機器學習中領域中的資料分析之前，通常需要將資料標準化，利用標準化後得資料進行資料分析。不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到資料分析的結果，為了消除指標之間的量綱影響，需要進行資料標準化處理，以解決資料指標之間的可比性。原始資料經過資料標準化處理...
歸一化處理資料 python
源自 machine learning in action 1.原因 例如在用 knn 演算法處理資料時，比如有兩個特徵，乙個特徵的取值範圍為0 1，另乙個取值範圍為1w 以上，那麼用歐式距離計算的話第乙個特徵的影響幾乎就會微不足道，為了解決這個問題，在處理資料的時候對資料進行歸一化處理。2.def...
Sklearn 資料歸一化處理
中心化的本質是讓所有記錄減去乙個固定值，即讓資料樣本資料平移到 某個位置。縮放的本質是通過除以乙個固定值，將資料固定在某個範圍之中，取對數也算是一種縮放處理。minmaxscaler有乙個重要引數，feature range，控制我們希望把資料壓縮到的範圍，預設是 0,1 pd.dataframe ...