python归一化处理标准差_几种归一化方法的概念及python实现

python的代码实现：

#-*-coding:utf-8-*-

importnumpy as npdefMaxMinNormalization(x,Max,Min):

x= (x - Min) / (Max -Min);returnx;

a= np.array([[1,2,3],[4,5,6]])print(MaxMinNormalization(a,3,0))

二　Z-score标准化：

这种方法给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。

经过处理的数据符合标准正态分布，即均值为0，标准差为1，这里的关键在于复合标准正态分布，个人认为在一定程度上改变了特征的分布，关于使用经验上欢迎讨论，转化函数为：

这里一样，mu(即均值)用np.average()，sigma(即标准差)用np.std()即可.

python的源码实现:

defZ_ScoreNormalization(x,mu,sigma):

x= (x - mu) /sigma;returnx;

b= np.array([[1,2,3],[4,5,6]])print(Z_ScoreNormalization(b,b.mean(),b.std()))

三　Sigmoid函数

Sigmoid函数是一个具有S形曲线的函数，是良好的阈值函数，在(0, 0.5)处中心对称，在(0, 0.5)附近有比较大的斜率而当数据趋向于正无穷和负无穷的时候，映射出来的值就会无限趋向于1和0.

个人非常喜欢的“归一化方法”，之所以打引号是因为我觉得Sigmoid函数在阈值分割上也有很不错的表现，根据公式的改变，就可以改变分割阈值，这里作为归一化方法，我们只考虑(0, 0.5)作为分割阈值的点的情况：

python 源码：

defsigmoid(X,useStatus):ifuseStatus:#return 1.0 / (1 + np.exp(-float(X)))

return 1.0 / (1 + np.exp(-X))else:returnfloat(X)

c= np.array([[1,2,3],[4,5,6]])print(sigmoid(c,1))

参考文档：