日攻一卒 ---机器学习中 标准化和归一化的区别？

归一化

是什么？

在机器学习中， 归一化是一个重要的预处理步骤，归一化可以将所有的特征放到相同的尺度， 以确保他们具有相同的重要性。

为什么？

因为不同的特征之间的单位（量纲）可能不同，导致某些特征对模型的训练和预测产生更大的影响。

怎么实现？

具体来说，归一化的目的是将数据的值域缩放到一个固定的范围内， 通常是【0，1】或者【-1， 1】。这种缩放可以通过以下公式实现：
$x_{norm}=\frac{x-x_{min}}{x_{max}-x_{min}}$

其中 x 是原始数据， x _min 和x_max是最大值， x_norm是经过归一化的数据。

标准化

是什么？

在机器学习中，标准化是一种常用的数据预处理方法，与归一化不同，标准化是一种基于特征的统计量，例如均值和标准差， 来缩放数据的方法。 标准化可以将数据转化为均值为0、方差为1的分布，这有助于减少离群值的影响，

为什么？

他的目的是将数据缩放到相同的尺度，去除异常值的影响，以便于模型的训练和优化。

怎么实现？

标准化的公式为：
$x_{std}=\frac{x-\mu }{\sigma }$

因此，归一化和标准化的主要区别在于他们所使用的缩放方法不同。
归一化可以确保数据在相同的尺度上，而标准化可以确保数据具有相同的分布。