数据处理中的数据归一化几种方法

数据归一化是数据预处理中的一个重要步骤，目的是将不同尺度的数据转换到一个相对较小的特定区间内，以便提高模型训练的效率和性能。以下是几种常见的数据归一化方法：

1. 最小-最大归一化（Min-Max Normalization）

这种归一化方法将数据缩放到一个固定的范围，通常是 [0, 1]。

$$X^{\prime }=\frac{X-X_{\text{min}}}{X_{\text{max}}-X_{\text{min}}}$$

解释

$$\begin{gathered} X\text{ 表示原始数据点} \\ {X}_{\text{min}}\text{ 表示数据集中的最小值} \\ {X}_{\text{max}}\text{ 表示数据集中的最大值} \\ {X}^{\prime }\text{ 表示归一化后的值} \end{gathered}$$

2. Z-score 标准化（Standardization）

这种方法通过减去均值并除以标准差来标准化数据，结果是具有零均值和单位方差的数据分布。

$$X^{\prime }=\frac{X-\mu }{\sigma }$$

解释

$$\begin{gathered} X\text{ 表示原始数据点} \\ \mu \text{ 表示数据集的平均值} \\ \sigma \text{ 表示数据集的标准差} \\ {X}^{\prime }\text{ 表示标准化后的值} \end{gathered}$$

3. 小数定标归一化（Decimal Scaling Normalization）

这种方法通过移动数据的小数点位置来进行归一化。小数点的位置取决于绝对值的最大值。

$$X^{\prime }=\frac{X}{10^j}$$

解释

$$\begin{gathered} X\text{ 表示原始数据点} \\ 10^j\text{ 是一个调整因子，使得 }|X^{\prime }|<1 \\ {X}^{\prime }\text{ 表示归一化后的值} \end{gathered}$$

4. L2 归一化（L2 Normalization）

这种方法通过将每个样本除以其L2范数来归一化，确保每个样本的欧几里得长度为1。

$$X^{\prime }=\frac{X}{\Vert X{\Vert }_2}$$

解释

$$\begin{gathered} X\text{ 表示原始数据点} \\ \Vert X{\Vert }_2\text{ 表示向量 }X\text{ 的L2范数，即 }\sqrt{\sum _{i=1}^n{x}_i^2} \\ {X}^{\prime }\text{ 表示归一化后的值} \end{gathered}$$

5. Max 归一化

这种方法通过将每个样本除以该样本的最大值来实现归一化，通常用于非负数值。

$$X^{\prime }=\frac{X}{X_{\text{max}}}$$

解释

$$\begin{gathered} X\text{ 表示原始数据点} \\ {X}_{\text{max}}\text{ 表示样本中的最大值} \\ {X}^{\prime }\text{ 表示归一化后的值} \end{gathered}$$