数据归一化

我们完成分类的时候少做了数据归一化Featur Scaling

两本间的距离发现以时间为主导

在这个例子中，假设两个特征 ，肿瘤大小和发现时间

这两个样本的距离如果是欧拉距离，就是以时间主导了

虽然样本数据中5和1相差5倍，200和100相差2倍

但是由于量纲不同，导致了最终的距离其实是主要发现的天数他们之间的差距

这是因为肿瘤大小之间的差值太小了 

如果我们这么调整，那么肿瘤大小又被肿瘤大小所主导 

如果我们不处理那么没法同时反映样本每一个特征他的重要程度

正是因为如此我们要进行归一化处理

解决方案：将所有的数据映射到同一尺度

最值归一化：把所有的数据映射到0-1之间

我们把最值归一化叫做normalization

适用于分布有明显边界的情况；受outlier影响较大

比如说考试分数，最左0分，最优100分

再比如说图像像素每一个像素点，他的颜色范围是0-255

这些适合最值归一化

缺点是守outlier影响大

如果我们数据没有明显边界，比如收入的分布，他的分布不是0-???W的范围中

例子：生成0-100的100个随机数X

我们将x进行最值归一化

矩阵也是这么做的

取整数后变成浮点数，对应的每一个都是浮点数

如此进行归一化

我们将第0列归一化

这是第1列，如果有n个就用循环

我们绘制一下样本

看一下平均数

这是方差

这是第一列

均值方差归一化（standardization）

把所有数据归一到均值为0方差为1的分布中

这样做我们数据并不保证在0-1之间，但是所有数据均值在0的位置，整体数据方差为1

数据分布没有明显的边界，有可能存在极端数据值

比较适用没有明显的边界，比如说收入

有可能存在outlier极端值，这种比较好

即使有明显边界，使用这种方式也很好

我建议除了学生分数，像素这种非常明确的，否则用这种

Xmean是均值，S是方差

 

例子：这是X2 

我们绘制散点图，对于这组数据并不能保证是0-1之间

均值非常接近0

方差非常接近1