机器学习中的归一化和标准化

在机器学习中，数据预处理是非常重要的一步，其中包括数据的归一化和标准化。虽然它们都是为了调整数据的尺度，但它们的应用场景和目的有所不同。

1. 归一化（Normalization）:
   归一化是将数据调整到[0, 1]的范围内。它主要用于处理特征值，使得每个特征的尺度不影响算法的性能。归一化通常用于以下情况：

• 当算法对输入特征的尺度敏感时，例如k-近邻算法（k-NN）。
• 当你想将数据的尺度不影响其他算法的决策时，例如决策树。
• 如果出现异常点，影响了最大值和最小值，那么结果显然会发生改变

• 数据归一化API:

                □ sklearn.preprocessing.MinMaxScaler (feature_range=(0,1)… )

                       feature_range 缩放区间

                □ fit_transform(X) 将特征进行归一化缩放

1. 标准化（Standardization）:
   标准化是将数据调整到均值为0，标准差为1的标准正态分布。它主要用于处理具有不同尺度的特征，使得每个特征在算法中有相同的重要性。标准化通常用于以下情况：

• 当算法对输入特征的尺度敏感时，例如支持向量机（SVM）、线性回归和神经网络等线性模型。
• 当你想确保所有特征都在相似的尺度上，以便算法能够更好地理解数据时。
• 如果出现异常点，由于具有一定数据量，少量的异常点对于平均值的影响并不大

• 数据标准化API：

                □ sklearn.preprocessing. StandardScaler()

                □ transform(X) 将特征进行归一化缩放

总的来说，归一化和标准化都是为了调整数据的尺度，但它们的应用场景和目的有所不同。选择哪种方法取决于你的具体需求和所使用的机器学习算法。