1、把數變為（0，1）之間的小數
主要是為了資料處理方便提出來的，把資料對映到0～1範圍之內處理，更加便捷快速。
2、把有量綱表示式變為無量綱表示式
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，成為純量。
歸一化演算法有：
1.線性轉換
y=(x-minvalue)/(maxvalue-minvalue)
２.對數函式轉換：
y=log10(x)
３.反餘切函式轉換
y=atan(x)*2/pi
４.線性也與對數函式結合
式(1)將輸入值換算為[-1,1]區間的值，
在輸出層用式(2)換算回初始值，其中和分別表示訓練樣本集中負荷的最大值和最小值。
資料的標準化是將資料按比例縮放，使之落入乙個小的特定區間。由於信用指標體系的各個指標度量單位是不同的，為了能夠將指標參與評價計算，需要對指標進行規範化處理，通過函式變換將其數值對映到某個數值區間。
標準化演算法有：
1.z-score標準化(或零－均值標準化)（常用）
y=(x-x的平均值)／x的標準差=(x-mean)/std
優點：當x的最大值和最小值未知，或孤立點左右了最大－最小規範化時，該方法有用
2.最小－最大規範化(線性變換)
y=( (x-minvalue) / (maxvalue-minvalue) )(new_maxvalue-new_minvalue)+new_minvalue
３.小數定標規範化：通過移動x的小數字置來進行規範化
y= x/10的j次方 (其中,j使得max(|y|) <1的最小整數
４.對數logistic模式：
新資料=1/（1+e^(-原資料)）
５.模糊量化模式：
新資料=1/2+1/2sin[派3.1415/（極大值-極小值）*（x-（極大值-極小值）/2） ] x為原資料
用sklearn實現：
1.z-score：
公式為：(x-mean)/std 計算時對每個屬性/每列分別進行。
將資料按期屬性（按列進行）減去其均值，並處以其方差。得到的結果是，對於每個屬性/每列來說所有資料都聚集在0附近，方差為1。
實現時，有兩種不同的方式：
import numpy as np
from sklearn.preprocessing import scale
x = np.array([[ 1., -1., 2.],
[ 2., 0., 0.],
[ 0., 1., -1.]])
x_scaled = scale(x)
print x_scaled
#[[ 0. -1.22474487 1.33630621]
# [ 1.22474487 0. -0.26726124]
# [-1.22474487 1.22474487 -1.06904497]]
print x_scaled.mean(axis = 0)
#[ 0. 0. 0.]
print x_scaled.std(axis = 0)
#[ 1. 1. 1.]
sklearn資料預處理 歸一化
將資料歸一化到 0,1 計算公式如下 x sc aled x x min axi s 0 x.m ax a xis 0 x min axi s 0 ma x mi n m in x frac max min min xscale d x max axi s 0 x.m in a xis 0 x x....
sklearn資料預處理 歸一化 標準化 正則化
1 把資料程式設計 0,1 之間的小數 主要是為了資料處理方便提出來的，把資料對映到0 1範圍內處理，更加便捷快速 2 把有量綱表示式變為無量綱表示式 歸一化是一種簡化計算方式，即將有量綱的表示式，經過變換，化為無量綱的表示式，成為純量 資料的標準化是將資料按照比例縮放，使之落入乙個小的特定區間。由...
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...