数据归一化处理

在机器学习中领域中的数据分析之前,通常需要将数据标准化,利用标准化后得数据进行数据分析。不同评价指标往

往具不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据

标准化处理,以解决数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综

合对比评价。

 

Contents

 

   1. 归一化的定义

   2. 常用归一化方法

 

 

1. 归一化的定义

 

   归一化用一句话说就是:把数据经过处理后使之限定在一定的范围内。比如通常限制在区间[0, 1]或者[-1, 1]

   等等。那么为什么要进行归一化呢? 那么首先要说到一个重要的概念,即奇异样本数据。所谓奇异样本数据数据

   指的是相对于其他输入样本特别大或特别小的样本矢量。举个例子,比如下面的两个特征样本数据

 

   

 

   上面第五列的数据相对于其它的列的数据就是奇异样本数据,奇异样本数据的存在会引起训练时间增大,并可能引

   起无法收敛。所以在存在奇异样本数据的情况下,进行训练之前最好进行归一化,如果不存在奇异样本数据,则可

   以不用归一化。

 

 

2. 常用归一化方法

 

   常用归一化方法有最大-最小标准化Z-score标准化函数转化等等。

 

   (1)最大-最小标准化

 

       最大-最小标准化是对原始数据进行线性变换,设分别是属性的最小值和最大值,将

       一个原始值通过最大-最小标准化映射到区间[0, 1]的值,那么公式如下

 

        

 

   (2)Z-score标准化

 

       Z-score标准化是基于原始数据的均值和标准差进行的数据标准化。将属性的原始数据通过Z-score标

       准化成。Z-score标准化适用于属性的最大值或者最小值未知的情况,或有超出取值范围的离散数据的

       情况。

      

       

 

       其中为均值,为标准差。

 

       Z-score标准化得到的结果是所有数据都聚集在0附近,方差为1。

 

   还有一些归一化方法,如对数函数转换,反余切函数转换等方法用的不多,暂时就不讲了。

 

  • 37
    点赞
  • 158
    收藏
    觉得还不错? 一键收藏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值