本文**：感謝原作者的付出和分享
在機器學習中領域中的資料分析之前，通常需要將資料標準化，利用標準化後得資料進行資料分析。不同評價指標往往具有
不同的量綱和量綱單位，這樣的情況會影響到資料分析的結果，為了消除指標之間的量綱影響，需要進行資料
標準化處
理，以解決資料指標之間的可比性。原始資料經過資料標準化處理後，各指標處於同一數量級，適合進行綜
合對比評價。
contents
1. 歸一化的定義
2. 常用歸一化方法
1. 歸一化的定義
歸一化用一句話說就是：把資料經過處理後使之限定在一定的範圍內。比如通常限制在區間[0, 1]或者[-1, 1]
等等。那麼為什麼要進行歸一化呢？ 那麼首先要說到乙個重要的概念，即奇異樣本資料。所謂奇異樣本資料資料
指的是相對於
其他輸入樣本特別大或特別小的樣本向量。舉個例子，比如下面的兩個特徵樣本資料
上面第五列的資料相對於其它的列的資料就是奇異樣本資料，奇異樣本資料的存在會引起訓練時間增大，並可能引
起無法收斂。所以在存在奇異樣本資料的情況下，進行訓練之前最好進行歸一化，如果不存在奇異樣本資料，則可
以不用歸一化。
2. 常用歸一化方法
常用歸一化方法有最大-最小標準化，z-score標準化，函式轉化等等。
（1）最大-最小標準化
最大-最小標準化是對原始資料進行線性變換，設
乙個原始值
（2）z-score標準化
z-score標準化是基於原始資料的均值和標準差進行的資料標準化。將屬性
準化成情況。
其中z-score標準化得到的結果是所有資料都聚集在0附近，方差為1。
還有一些歸一化方法，如對數函式轉換，反餘切函式轉換等方法用的不多，暫時就不講了。
歸一化方法
1 min max標準化 2 z score標準化方法 定義 也稱為離差標準化，是對原始資料的線性變換，使得結果對映到0 1之間。本質 把數變為 0,1 之間的小數。轉換函式 x min max min 如果想要將資料對映到 1,1，則將公式換成 x mean max min 其中 max為樣本資料...
資料歸一化 兩種常用的歸一化方法
資料歸一化 不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到資料分析的結果，為了消除指標之間的量綱影響，需要進行資料歸一化處理，以解決資料指標之間的可比性。原始資料經過資料歸一化處理後，各指標處於同一數量級，適合進行綜合對比評價。兩種常用的歸一化方法如下 一 min max標準化 min...
資料歸一化和兩種常用的歸一化方法
資料標準化 歸一化 處理是資料探勘的一項基礎工作，不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到資料分析的結果，為了消除指標之間的量綱影響，需要進行資料標準化處理，以解決資料指標之間的可比性。原始資料經過資料標準化處理後，各指標處於同一數量級，適合進行綜合對比評價。以下是兩種常用的歸一...