数据归一化

一：目的

　　数据归一化（标准化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。

二：分为两类

　　最值归一化：适用于有边界的训练集

　　均值方差归一化：有无边界都适用

三：最值归一化(x-x(min))/(x(max)-x(min)),针对于每一列进行计算

 

x = np.random.randint(0,100,size=100)

x = (x-np.min(x))/(np.max(x)-np.min(x))

print(x[:10])

x2 = np.random.randint(0,100,(50,2))
x2 = np.array(x2,dtype=float)
x2[:,0] = (x2[:,0]-np.min(x2[:,0]))/(np.max(x2[:,0]-np.min(x2[:,0])))
x2[:,1] = (x2[:,1]-np.min(x2[:,1]))/(np.max(x2[:,1]-np.min(x2[:,1])))

plt.scatter(x2[:,0],x2[:,1])
plt.show()

 

 四：均值方差归一化，(x-x(mean))/x(std)，针对于每一列进行计算

X = np.random.randint(0,100,(50,2))
X = np.array(X,dtype=float)
print(X[:10,:])

X[:,0] = (X[:,0]-np.mean(X[:,0]))/(np.std(X[:,0]))
X[:,1] = (X[:,1]-np.mean(X[:,1]))/(np.std(X[:,1]))

plt.scatter(X[:,0],X[:,1])
plt.show()

 

 

 

 

转载于:https://www.cnblogs.com/lyr999736/p/10665838.html