机器学习-标准化（standardization）、归一化（normalization）、正则化（regularization）以及规范化

规范化：

针对数据库：

规范化把关系满足的规范要求分为几级，满足要求最低的是第一范式（1NF），再来是第二范式、第三范式、BC范式和4NF、5NF等等，范数的等级越高，满足的约束集条件越严格。

针对数据：

数据的规范化包括归一化/标准化/正则化，是一个统称（也有人把标准化作为统称）。
数据规范化是数据挖掘中的数据变换的一种方式，数据变换将数据变换或统一成适合于数据挖掘的形式，将被挖掘对象的属性数据按比例缩放，使其落入一个小的特定区间内，如[-1, 1]或[0, 1]

对属性值进行规范化常用于涉及神经网络和距离度量的分类算法和聚类算法当中。比如使用神经网络后向传播算法进行分类挖掘时，对训练元组中度量每个属性的输入值进行规范化有利于加快学习阶段的速度。对于基于距离度量相异度的方法，数据归一化能够让所有的属性具有相同的权值。
数据规范化的常用方法有三种：最小最大值规范化，z-score标准化和按小数定标规范化

归一化（Normalization）

核心是限定在[0,1]之内

主要算法：

1.线性转换，
min-max normalization，又叫最小最大规范的方法（常用方法）

Mean normalization

2. 对数函数转换
y=log 10 _{10}