数据归一化是将数据按比例缩放，使其落入特定区间，如[-1, 1]或[0, 1]，在神经网络、分类算法和聚类中尤为关键。它能赋予所有属性相等权重，防止大范围属性对结果产生过大影响。常用方法包括最小-最大值归一化、z-score归一化、小数定标归一化、对数归一化和反正切函数转换。z-score归一化使用标准差或均值绝对偏差，对离群点更鲁棒。"
111625718,10296153,Python数据清洗：分析药品销售数据,"['Python', '数据清洗', '数据分析']
数据归一化，又叫数据规范化或数据标准化，即把属性数据按比例缩放，使之落入一个特定的小区间，如[-1.0, 1.0]或[0.0, 1.0]。
规范化数据试图赋予所有属性相等的权重。对于涉及神经网络的分类算法或基于距离度量的分类（如最近邻分类）和聚类，规范化特别有用。如果使用神经网络后向传播算法进行分类挖掘，对训练元组中每个属性的输入值规范化有助于加快学习速度。对于基于距离的方法，规范化可以帮助防止具有较大初始值域的属性（如income）与具有较小初始值域的属性（如二元属性）相比权重过大。在没有数据的先验知识时，规范化也是有用的。
常用的数据规范化方法有以下几种：
1. 最小-最大值归一化
一般情况下new_maxA取1，new_minA取0，此时公式1.1可简化为：
最低0.47元/天 解锁文章
扫一扫
3074
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
