【数据处理】归一化和标准化的区别

参考

归一化与标准化

归一化

常用的方法是通过对原始数据进行线性变换把数据映射到[0,1]之间，变换函数为：

$$x^*=\frac{x-x_{min}}{x_{max}-x_{min}}$$
不同变量往往量纲不同，归一化可以 消除量纲对最终结果的影响，使不同变量具有可比性。在不涉及距离度量、协方差计算、数据不符合正太分布的时候，可以使用归一化方法。比如图像处理中，将RGB图像转换为灰度图像后将其值限定在[0 255]的范围。

标准化

常用的方法是z-score标准化，经过处理后的数据均值为0，标准差为1，公式是：

$$x^*=\frac{x-u}{\sigma}$$
该种归一化方式要求原始数据的分布可以近似为 高斯分布，均值为0，标准差为1。在分类、聚类算法中，需要使用距离来度量相似性的时候、或者使用PCA技术进行降维的时候，Z-score standardization表现更好。