常用数据归一化方法

    数据归一化是为了缩小数量之间的相对关系以及消除指标之间的量纲影响，解决数据指标之间的可比性。数据经过归一化处理之后，各指标处于同一数量级，方便进一步处理数据。
    机器学习中数据处理时常用的数据归一化方法有以下三种：
    
1. 最值归一化(Feature scaling)
    这是一种线性归一化方法，对原始数据进行线性变换，使原始数据映射到[0,1]或者某个自定义的区间内。
    映射到[0,1]区间：

    映射到[a, b]区间：

    
2. 标准方差归一化(Standard score)
    这种方法是基于原始数据的均值和方差的归一化方法。标准化后的数据均值为0，方差为1，服从标准正态分布。

    其中，μ为原始数据均值，σ为原始数据标准方差。
    
3. 中值归一化
    此方法多用于数据中没有错误样本，只是单纯将数据等比例扩大或者缩小的情况。

更多内容