归一化和标准化

$$S_i=\frac{x_i}{{\sum }_j{x}_j}$$

---

对比	归一化	标准化
概念	将数值规约到（0,1）或者是（-1,1）区间	将数据的分布规约在均值为0，标准差为1的分布上（近似高斯分布）
侧重点	数值的归一，丢失数据分布信息，丢失数据间距离信息，保留了权值	数据分布的归一，保留了数据之间的分布，丢失权值。（标准差大小代表了权重大小）
形式	$x_{new}=\frac{x-x_{min}}{x_{max}-x_{min}}$	$x_{new}=\frac{x-\mu }{\sigma }$
缺点	1. 丢失样本间距离信息 2. 鲁棒性差：受异常点影响较大	1. 丢失样本间权重信息
适合场景	1. 小数据、固定数据的时候使用 2. 在不涉及距离的度量，协方差计算，数据表不符合正态分布时 3. 进行多指标综合评价的时候	1.分类聚类算法中，需要用距离来度量相似性的时候； PCA技术进行降维的时候（大样本—稳定） 2.有超出取值范围的离散数据或者对最大只和最小值未知的数据
缩放方式	先最小值平移，后用最值差缩放	先均值平移，后用标准差缩放
目的	便于消除量纲，将各个指标的数据纳入到综合评价中	便于后续的梯度下降和激活函数对数据的处理（数据以0为中心左右分布）