r语言归一化_数据变换-归一化与标准化

一般在机器学习的模型训练之前，有一个比较重要的步骤是数据变换。

因为，一般情况下，原始数据的各个特征的值并不在一个统一的范围内，这样数据之间就没有可比性。

数据变换的目的是将不同渠道，不同量级的数据转化到统一的范围之内，方便后续的分析处理。

数据变换的方法有很多，比如数据平滑，数据聚集，数据概化，数据规范化和属性构造等。

本篇文章主要介绍数据规范化，这是一种比较常用，也比较简单的方法。

数据规范化是使属性数据按比例缩放，这样就将原来的数值映射到一个新的特定区域中，包括归一化，标准化等。

1，数据归一化

归一化就是获取原始数据的最大值和最小值，然后把原始值线性变换到 [0,1] 范围之内，变换公式为：

其中：

x 是当前要变换的原始值。

min 是当前特征中的最小值。

max 是当前特征中的最大值。

x' 是变换完之后的新值。

注意：

min 和 max 是指当前特征中的最小最大值。

所以同一特征之内，最小最大值是一样的。

而不同特征之间，最小最大值是不一样的。

从公式中可以看出，归一化与最大最小值有关，这也是归一化的缺点，因为最大值与最小值非常容易受噪音数据的影响。

1.1，归一化处理

比如&#