归一化是将数据按比例缩放,使其落入特定范围的过程。在不同的上下文中,归一化可以有不同的含义:
-
特征归一化: 在机器学习中,特征归一化是指对输入特征进行缩放,使其在相似的数值范围内。常见的归一化方法包括 Min-Max Scaling 和 Z-score Standardization。这有助于确保不同特征的数值范围不会影响模型的学习。
-
Min-Max Scaling: 将特征缩放到一个指定的最小值和最大值之间,通常是 [0, 1]。公式为 (X_{\text{scaled}} = \frac{X - X_{\text{min}}}{X_{\text{max}} - X_{\text{min}}})。
-
Z-score Standardization: 将特征缩放成均值为 0,标准差为 1 的标准正态分布。公式为 (X_{\text{standardized}} = \frac{X - \text{mean}(X)}{\text{std}(X)})。
-
-
混淆矩阵的归一化: 在混淆矩阵中,归一化是指将混淆矩阵的每一行除以该行的总和,以得到每个类别的分类准确率。这有助于比较不同类别的性能,而不受类别样本数量的差异影响。
-
图像归一化: 在计算机视觉中,归一化通常指将图像的像素值缩放到特定范围,例如 [0, 1]。这有助于神经网络更好地处理图像数据。
总体而言,归一化的目的是确保数据在进行比较或输入模型之前具有一致的尺度,从而避免数值范围对结果产生不良影响。