关于归一化

       归一化在机器学习中经常避不过的一环。

1、归一化方法：单纯数学层面的归一化（一般是0~1.0， 或者0~100， ）：

       1）除于最大：score = x/ max

        2) 除间隔： score = x-min/ (max-min)

        3)利用指数性质： score(x) = sigmoid(x), 或者其他类似的函数。

        归一化到同一尺度便于分数表示， 以及在机器学习输入时一致，便于迭代优化。

2、应用场景：为了展示区分度：

       这个本质上和1是一样的，但操作上略有不同，它不要求有最大值。

        

用户\关注点	关注点1	关注点2
用户A	3次	4次
用户B	1次	8次

这里有按用户的归一化，以及按关注点的归一化（行归一，按用户归一； 列归一， 按关注点归一）

         行归一的话： 可以描述用户在关注点1 和关注点2之间差别。 直接比较关注点1、2之间的频次差距，频次多的则高。 

         列归一的话： 按照列归一的方法，如果本身关注就不多，比如关住点1，如果按行归一是比较吃亏的，其实用户A是对关注点1很感兴趣的相比其他用户，但是呢按用户内部的话比关注点2要低很多，实际上关注点2可能是影视音乐一样大家都有的，而且高频的，实际上分数不应该这么高。

         当然按列归一一个问题是： 当一个用户在某个关注点有一定增长的趋势（比如最近刚访问了2次），这中热情度不能玲离尽致的体现。