机器学习归一化的几种方法

数据归一化的两个好处：

1、提升模型的收敛速度
2、提升模型的精度

机器学习常见的归一化算法 :

1、 min-max 标准化(Min-max normalization)

也叫0-1标准化（0-1 normalization）:对原始数据的线性变换，是结果落到[0,1]区间，转换函数如下：

xnormalization=x−minmax−min(63) (63) x n o r m a l i z a t i o n = x − m i n m a x − m i n

$$x^{normalization}=\frac{x-min}{max-min}$$
转换代码如下：

def NormalData(x):
    return[(float(i)-min(x))/float(max(x)-min(x)) i for i in x]

如果想要把数据映射到[-1,1]，则公式将换成：

$$x^{normalization}=\frac{x-x_{mean}}{x_{max}-x_{min}}$$
转换函数如下：

import numpy as np
def NormalData(x):
    return[(float(i)-np.mean(x))/float(max(x)-min(x)) i for i in x]

这种归一化方法的缺点是：当有新数据加入时，可能导致max和min的变化，需要重新计算。

2、z-score 标准化(zero-mean normalization):也叫标准差标准化

公式如下：

$$x^{normalization}=\frac{x-\mu }{\sigma }$$
z-score标准化方法适用于训练集的最大值和最小值未知的情况下。或有异常数据的情况下。
x-μ只改变均值，标准差不变，所以均值变为0
(x-μ)/σ只会使标准差除以σ倍，所以标准差变为1

参考网址：http://blog.csdn.net/pipisorry/article/details/52247379