解析「标准化 & 归一化」操作

标准化 & 归一化 是常见的数据处理方法，主要用途也都是特征缩放变换

更多标准化&归一化的讲解，大家可以前往 标准化和归一化什么区别？

归一化(Normalization)：将数据变换到 某个固定区间中，通常是 [0,1]
$$\begin{gathered} \text{归一化( min-max Normalization)}=\frac{x_i-x_{min}}{x_{max}-x_{min}} \\ \text{( mean Normalization)}=\frac{x_i-mean(x)}{x_{max}-x_{min}} \end{gathered}$$

标准化(Standardization) ：将数据变换为均值为0，标准差为1 的分布「⚠️不一定是正态分布 ，标准化时，会改变 均值/标准差，但是 分布规律是不会改变的」随机变量$X$服从期望为$\mu$ ,方差为 ${\sigma }^2$的正态分布，记为$N(\mu ，{\sigma }^2)$。当 $\mu =0,\sigma =1$时为标准正态分布。
$$\text{标准化(Standardization)}=\frac{x_i-\mu }{\sigma }$$
中心化：也称为零均值处理，就是将每个数据减去数据集的均值
$$\text{中心化}=X_i-X_{mean}$$

缩放过程可以分为以下几种：

1. 缩放到均值为0，方差为1（Standardization——StandardScaler()）【z-score归一化】
2. 缩放到0和1之间（Standardization——MinMaxScaler()） 【min-max归一化】
3. 缩放到-1和1之间（Standardization——MaxAbsScaler()）
4. 缩放到0和1之间，保留原始数据的分布（Normalization——Normalizer()）

⚠️！大家可以着重看下横坐标的变化

参考文章：标准化和归一化什么区别？