歸一化：
歸一化是一種簡化計算的方式，即將有量綱
的表示式，經過變換，化為
無量綱的表示式，成為
標量。 在多種
計算中都經常用到這種方法。
線性函式轉換：
y=(x-minvalue)/(maxvalue-minvalue)
說明：x、y分別為轉換前、後的值，maxvalue、minvalue分別為樣本的最大值和最小值。
對數函式轉換：
y=log10(x)
說明：以10為底的
對數函式
轉換。
反正切函式轉換：
y=atan(x)*2/pi
z-score標準化：
標準分數（standard score）也叫z分數（z-score）,是乙個分數與
平均數的差再除以
標準差的過程。
用公式表示為：
z=(x-μ)/σ。其中x為某一具體分數，
μ為平均數，σ為標準差。
z值的量代表著原始分數和母體平均值之間的距離，是以標準差為單位計算。在原始分數低於平均值時z則為負數，反之則為正數。
標準分數可以回答這樣乙個問題："乙個給定分數距離平均數多少個標準差?"在平均數之上的分數會得到乙個正的標準分數，在平均數之下的分數會得到乙個負的標準分數。 注：
標準差計算公式：
假設有一組數值x₁,x₂,x₃,......xn（皆為
實數），其
平均值（
算術平均值）為μ，公式如圖1。
標準差也被稱為
標準偏差，或者實驗標準差，公式為
。簡單來說，標準差是一組資料
平均值分散程度的一種度量。乙個較大的標準差，代表大部分數值和其平均值之間差異較大；乙個較小的標準差，代表這些數值較接近平均值。
引自：
資料預處理 歸一化
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 歸一化的三種方法 1 線性函式轉換 表示式如下 y x minvalue maxvalue minvalue 說明 x y分別為轉換前 後...
資料預處理 歸一化
由於進行分類器或模型的建立與訓練時，輸入的資料範圍可能比較大，同時樣本中各資料可能量綱不一致，這樣的資料容易對模型訓練或分類器的構建結果產生影響，因此需要對其進行歸一化處理。那就是將該樣本 樣本集中第i行資料 歸一到範圍 0,1 之間。一種簡單而快速的標準歸一化處理演算法是線性轉換演算法，最為常見的...
資料預處理 歸一化
1 公式 x numpy array格式的資料 n samples,n features n samples 樣本數 n features 特徵數 列 返回值 形狀相同的array 3 缺點 由於歸一化使用最大值最小值進行計算，若最大值 最小值缺失或錯誤，歸一化結果的準確性就會大大降低，為此可採用標...