数据预处理中的数据标准化是消除特征比重不平衡的关键步骤。常见的方法包括最大-最小标准化、零-均值标准化（标准差标准化）和小数定标标准化。最大-最小标准化将数据映射到[0,1]区间，但易受极端值影响；零-均值标准化使数据转化为标准正态分布，便于算法应用；小数定标标准化则通过调整小数位数确保数据在[0,1]范围内。"
129879111,9439443,Markdown文档预览与安全解析,"['前端开发', 'markdown解析', 'HTML渲染', '安全防护', 'JavaScript库']
数据标准化的意义
在对数据集建模前，常常要对数据的某一特征或几个特征进行规范化处理，其目的在于将特征值归一到同一个维度，消除比重不平衡的问题。
常用的标准化方法有 最大-最小标准化、零-均值标准化 和 小数定标标准化。
最大-最小标准化
最大-最小标准化又称为离差标准化，将原始数据进行线性变换，映射到[0,1]区间。
转换公式如下：
其中，max为特征中最大的值，min为特征中最小的值。max-min表示极差。
这种标准化的优点是实现简单、保留了原始数据之间的关系。
缺点也很明显，即：
1.当样本中的max过大时，会使得标准化后各值之间相差不大，无法准确表示样本间的差异；
2.当新加入的样本的值大于max或小于min，会使标准化产生混乱，即每当有新样本导入时，必须重新计算max和min。
最低0.47元/天 解锁文章
2155
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
