两种归一化的对比（标准化 VS 缩放），都会改变数据分布！

一，标准化

即把一个向量的均值和标准差算出来，然后每一个分量都减去均值再除以标准差，得到的就是归一化之后的结果。

归一化之后的数据有正有负，服从均值为0方差为1的标准正态分布。

python实现函数：

 def standardization(data):
    mu = np.mean(data, axis=0)
    sigma = np.std(data, axis=0)
    return (data - mu) / sigma

其实一般机器学习中，把数据送入分类器比如SVM或者神经网络之前，都要对提取好的特征做标准化，虽然论文说的是normalization，但是其实做的是standardization。

实验

• 在matlab中生成一组正态分布的随机数

a = random('Normal', 3,3, [1, 100]);%均值为3，标准差为3,1行100列
figure,plot(a,'b'),hold on
b = (a - mean(a))/std(a,0,2);%std