資料的標準化（normalization）是將資料按比例縮放，使之落入乙個小的特定區間。在某些比較和評價的指標處理中經常會用到，去除資料的單位限制，將其轉化為無量綱的純數值，便於不同單位或量級的指標能夠進行比較和加權。
其中最典型的就是資料的歸一化處理，即將資料統一對映到[0,1]區間上，常見的資料歸一化的方法有：
也叫離差標準化，是對原始資料的線性變換，使結果落到[0,1]區間，轉換函式如下：
其中max為樣本資料的最大值，min為樣本資料的最小值。這種方法有乙個缺陷就是當有新資料加入時，可能導致max和min的變化，需要重新定義。
通過以10為底的log函式轉換的方法同樣可以實現歸一下，具體方法如下：
看了下網上很多介紹都是x*=log10(x)，其實是有問題的，這個結果並非一定落到[0,1]區間上，應該還要除以log10(max)，max為樣本資料最大值，並且所有的資料都要大於等於1。
用反正切函式也可以實現資料的歸一化：
使用這個方法需要注意的是如果想對映的區間為[0,1]，則資料都應該大於等於0，小於0的資料將被對映到[-1,0]區間上。
而並非所有資料標準化的結果都對映到[0,1]區間上，其中最常見的標準化方法就是z標準化，也是spss中最為常用的標準化方法：
也叫標準差標準化，經過處理的資料符合標準正態分佈，即均值為0，標準差為1，其轉化函式為：
其中μ為所有樣本資料的均值，σ為所有樣本資料的標準差。
**資料分析
» 《資料的標準化》
資料的歸一化
正常情況下，資料的處理用的都是線性歸一化，但是如果實驗的資料服從某種分布函式時，其中最多的就是正態分佈了，假設實驗資料是服從正態分佈的，我們可以通過乙個函式來對資料進行變換，這個函式選取的原則就是使得原有資料中的資訊量最多，即資訊熵最大。首先我說一下資訊熵的計算方法 可能這裡講熵的概念更難理解了，換...
資料歸一化
近來，在網上搜了很多關於資料歸一化的帖子，看了太多，很雜，這裡整理總結一下 歸一化是一種資料預處理方法，就是要把你需要處理的資料經過處理後 通過某種演算法 限制在你需要的一定範圍內，為了後面資料處理的方便，其次是保正程式執行時 收斂加快。比如說，對於奇異樣本資料 所謂奇異樣本資料資料指的是相對於其他...
資料歸一化
如果對神經網路的 輸入和 輸出數 據進行 一定的 預處理 可以加快網路的訓練速 度 matlab 中 提供的預 處理方 法有歸一化處理 將每組資料都變為 1 至 1 之 間數 所涉及 的函式有 premnmx postmnmx tramnmx 標準化處理 將每組資料都為均 值為 0,方 差 為 1 ...