数据标准化-Normalization

数据处理之 数据归一化
数据标准化（归一化）-Normalization

来自百度百科的解释：

数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。

通俗的说就是把所有的数据“按比例”增大缩小到某个范围
归一化就是把范围限制在0~1

1、min-max标准化(Min-maxnormalization)
也叫离差标准化、线性归一化，对原始数据的线性变换，使结果落到[0,1]区间
$$x_i^{{}^{\prime }}=\frac{x_i-min(x_j)(0\le j\le n)}{max(x_j)(0\le j\le n)-min(x_j)(0\le j\le n)}$$

优点：适用在数值较集中的情况
缺点：当有新数据加入时，可能导致max和min的变化，不稳定

2.z-score 标准化(zero-meannormalization)
也称标准差归一化，也叫Z-score标准化
$$x^{\prime }=\frac{x-\mu }{\sigma }$$
$$\mu ：均值---\mu =\frac{1}{n}\sum _{i=1}^n{x}_i$$
$$\sigma ：标准差--\sigma =\sqrt{\frac{1}{n-1}\sum _{i=1}^n(x_i-\mu {)}^2}$$
经过处理后的数据符合标准正态分布，即均值为0，标准差为1

3.非线性归一化

$$log函数转换x_i^{\prime }=\frac{lg(x_i)}{max(x_j)(0\le x\le n)}$$

$$arctan函数变换x_i^{\prime }=arctan(x_i)\ast \frac{\pi }{2}$$

$$sigmoid函数S(x)=\frac{1}{1+e^{-x}}$$

深度学习中的一些归一化可参考：http://t.csdn.cn/Z0lEZ