标准化(Standardization)、归一化(Normalization)

归一化：

１)把数据变成(０,１)或者(1,1)之间的小数。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。
２)把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。

常用方法：

(1)Min-Max Normalization
   x' = (x - X_min) / (X_max - X_min)

(2)平均归一化
   x' = (x - μ) / (MaxValue - MinValue)
  (1)和(2)有一个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。

(3)非线性归一化
  1)对数函数转换：y = log10(x)
  2)反余切函数转换：y = atan(x) * 2 / π
  (3)经常用在数据分化比较大的场景，有些数值很大，有些很小。通过一些数学函数，将原始值进行映射。该方法包括 log、指数，正切等。需要根据数据分布的情况，决定非线性函数的曲线，比如log(V, 2)还是log(V, 10)等。

标准化：

在机器学习中，我们可能要处理不同种类的资料，例如，音讯和图片上的像素值，这些资料可能是高维度的，资料标准化后会使每个特征中的数值平均变为0(将每个特征的值都减掉原始资料中该特征的平均)、标准差变为1，这个方法被广泛的使用在许多机器学习算法中(例如：支持向量机、逻辑回归和类神经网络)。

常用方法：

Z-score规范化(标准差标准化 / 零均值标准化)
  x' = (x - μ)／σ
处理后的数据符合标准正态分布，即均值为0，标准差为1
————————————————
版权声明：本文为CSDN博主「elroye」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/u012720552/article/details/84950936