数据标准化数据归一化数据预处理 data normalization / scale

最新推荐文章于 2024-08-05 11:28:49 发布

随手笔记_000333

最新推荐文章于 2024-08-05 11:28:49 发布

阅读量3.4k

点赞数 3

分类专栏：机器学习基础知识文章标签：深度学习机器学习数据预处理数据挖掘

本文链接：https://blog.csdn.net/SuperYR_210/article/details/78952874

版权

数据预处理在机器学习和深度学习中至关重要，其中数据归一化和标准化是常用方法。归一化使数据落入0-1或-1-1区间，有助于神经网络激活函数的处理。本文介绍了最小最大值标准化（MinMaxScale）和MaxAbsScaler两种归一化方法，以及z-score标准化，强调了它们在优化模型性能中的作用。

摘要由CSDN通过智能技术生成

一、数据归一化的好处：

数据标准化和归一化的区别和联系：
在进行处理数据的时候，标准化的方法是比较多的，其中数据归一化是一种常见的数据的标准化，只不过标准化只是将数据进行规范到一个范围之内，对于数据的归一化来说，是将数据规范到0到1之间或者是-1到1之间。

在使用机器学习或者深度学习的模型的时候，数据预处理的阶段是十分重要的，我们在进行处理的时候，包括缺失值处理、异常值处理、重复值处理等很多方面，当然，数据标准化也是一个很重要的方面，数据标准化即将数据标准化到0到1之间，或者是-1到1之间。对于深度学习来说，这样可以使我们的数据和神经网络的激活函数处理之后的数据的取值的范围对应。
另外，关于归一化的好处，可以参考这个博客，讲的比较清楚：
http://blog.csdn.net/pipisorry/article/details/52247379

二、数据归一化的方法：

1、最小最大值标准化 MinMaxScale，将数据规范到0-1之间

原理：
假设已知样本中的data为Xi，其中最小值和最大值分别为min和max，则在进行计算的时候，我们需要使用X_std =（Xi-min）/（max-min）, 结果 = X_std* (max - min) +