歸一化 標準化區別的通俗說法

2021-08-13 09:22:48 字數 326 閱讀 3817

所謂「歸一」,注意「一」,就是把資料歸到(0,1)這個區間內。

常用的方法有: min-max歸一化y=(x-min)/(max-min)

所謂「標準」,就是標準正態分佈,把資料轉換成標準正態分佈。

常用的方法有:z-score標準化,即零-均值標準化,y=(x-μ)/σ

兩者的區別在於:

歸一化是為了消除不同資料之間的量綱,方便資料比較和共同處理,比如在神經網路中,歸一化可以加快訓練網路的收斂性;標準化是為了方便資料的下一步處理,而進行的資料縮放等變換,並不是為了方便與其他資料一同處理或比較,比如資料經過零-均值標準化後,更利於使用標準正態分佈的性質,進行處理

歸一化和標準化區別

歸一化 對資料的數值範圍進行特定縮放,但不改變其資料分布的一種線性特徵變換。1.min max 歸一化 將數值範圍縮放到 0,1 但沒有改變資料分布 min max歸一化 2.z score 歸一化 將數值範圍縮放到0附近,但沒有改變資料分布 z score歸一化 標準化 對資料的分布的進行轉換,使...

歸一化與標準化區別

常用的方法是通過對原始資料進行線性變換把資料對映到 0,1 之間,變換函式為 不同變數往往量綱不同,歸一化可以消除量綱對最終結果的影響,使不同變數具有可比性。在不涉及距離度量 協方差計算 資料不符合正太分布的時候,可以使用歸一化方法。比如影象處理中,將rgb影象轉換為灰度影象後將其值限定在 0 25...

標準化與歸一化的區別?

答 簡單來說,標準化是依照特徵矩陣的列處理資料,其通過求z score的方法,將樣本的特徵值轉換到同一量綱下。歸一化是依照特徵矩陣的行處理資料,其目的在於樣本向量在點乘運算或其他核函式計算相似性時,擁有統一的標準,也就是說都轉化為 單位向量 歸一化 這種方法有個缺陷就是當有新資料加入時,可能導致ma...