标准化（Standardization）、归一化（Normalization）和去中心化（Centering）是数据预处理中常用的三种不同的缩放技术，它们都旨在调整数据的尺度，以便于进行后续的分析和机器学习任务。虽然这些术语有时被交替使用，但它们在数学上有着不同的含义和应用场景。
标准化（Standardization）
标准化是将数据转换为具有特定均值和标准差的过程。通常，标准化会使得数据的均值变为0，标准差变为1。这是通过以下公式完成的（Z-score规范化）：
z = ( x − μ ) σ z = \frac{(x - \mu)}{\sigma} z=σ(x−μ)
其中，$\ x $ 是原始数据点，$ \mu $ 是数据集的均值，$ \sigma $ 是数据集的标准差，$ z $ 是标准化后的值。
标准化的主要目的是消除不同量纲和尺度的影响，使得数据在进行计算和比较时更加公平。它在许多机器学习算法中非常有用，尤其是那些基于距离的算法，如K-近邻（KNN）和主成分分析（PCA）。
归一化（Normalization）
归一化通常指的是将数据缩放到一个固定的范围，最常见的是[0, 1]。归一化的公式如下：
x norm = x − min ( x ) max ( x ) − min ( x ) x_{\text{norm}} = \frac{x - \text{min}(x)}{\text{max}(x) - \text{min}(x)} xnorm=max(x)−min(x)x−min(x)
其中，$\ x $ 是原始数据点，min(x)和max(x)分别是数据集中的最小值和最大值，$ x_{\text{norm}} $ 是归一化后的值。
归一化对于需要数据在固定范围内进行计算的算法非常有用，如梯度下降和神经网络。它也常用于数据可视化，使得不同的数据点可以在同一尺度下比较。
去中心化（Centering）
中心化是将数据的均值变为0的过程，但不改变数据的标准差。这可以通过以下公式完成：
x centered = x − μ x_{\text{centered}} = x - \mu xcentered=x−μ
其中， x \ x x 是原始数据点 ，$ \mu$ 是数据集的均值，$ x_{\text{centered}} $ 是去中心化后的值。
去中心化有助于突出数据中的异常值和波动，因为它保留了原始数据的方差。它在某些统计分析和时间序列分析中非常有用，尤其是在计算偏差或平均偏差时。
总结
- 标准化：调整数据的均值和标准差，使其具有均值为0和标准差为1的特性。
- 归一化：将数据缩放到一个固定范围，通常是[0, 1]。
- 去中心化：仅将数据的均值调整为0，不改变其标准差。
在实际应用中，选择哪种方法取决于数据的特性和后续分析的需求。有时，这些方法可以组合使用，以达到最佳的预处理效果。例如，可以先进行去中心化，然后进行标准化或归一化。
扫一扫
465
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
