對於大多數的機器學習演算法和優化演算法來說，將特徵值縮放到相同區間可以使得獲取效能更好的模型。就梯度下降演算法而言，例如有兩個不同的特徵，第乙個特徵的取值範圍為1-10，第二個特徵的取值範圍1~10000。在梯度下降演算法中，代價函式為最小平方誤差函式，所以在使用梯度下降演算法的時候，演算法會明顯的偏向於第二個特徵。所以進行需要對特徵歸一化，今天我介紹一下歸一化方法。
（1）min-max標準化
（2）z-score標準化方法
min-max標準化是利用特徵的最大最小值，通過對資料的每乙個維度的值進行重新調節，[0,1]區間內將特徵的值縮放到[0,1]區間，計算公式如下
z-score標準化是給與原始資料的均值（mean）和標準差（standard deviation）進行資料的標準化。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.計算公式如下
):"""特徵標準化處理
args:
x: 樣本集
returns:
標準後的樣本集
"""m, n =
x.shape
# 歸一化每乙個特徵
for j in
range
(n):
features =x[
:,j]
meanval = features.
mean
(axis=0)
std = features.
std(axis=0)
if std !=0:
x[:, j]
=(features-meanval)
/std
el***[
:, j]=0
returnx
def normalize(x
):"""min-max normalization sklearn.preprocess 的maxminscalar
args:
x: 樣本集
returns:
歸一化後的樣本集
"""m, n =
x.shape
# 歸一化每乙個特徵
for j in
range
(n):
features =x[
:,j]
minval = features.
min(axis=0)
maxval = features.
max(axis=0)
diff = maxval - minval
if diff !=0:
x[:,j]
=(features-minval)
/diff
else:x
[:,j]=
0return
xmin-max標準化1、資料的量綱不同；數量級差別很大經過歸一化處理後，原始資料轉化為無量綱化指標測評值，各指標值處於同一數量級別，可進行綜合測評分析。
如果直接用原始指標值進行分析，就會突出數值較高的指標在綜合分析中的作用，相對削弱數值水平較低指標的作用。
2、避免數值問題
太大的數會引發數值問題。
3、平衡各特徵的貢獻
如果乙個特徵值域範圍非常大，那麼距離計算就主要取決於這個特徵，從而與實際情況相悖（比如這時實際情況是值域範圍小 的特徵更重要）
4、一些模型求解的需要：加快了梯度下降求最優解的速度
（1）使用max-min標準化後，其協方差產生了倍數值得縮放，因此這種方式無法消除量綱對方差、協方差的影響，對pca分析影響巨大；同時由於量綱的存在，使用不同的量綱，距離的計算結果會不同。
（2）在z-score標準化（0均值標準化）中，新的資料由於對方差進行了歸一化，這時候每個維度的量綱其實已經等價了，每個維度都服從均值為0,、方差為1的正態分佈，在計算距離的時候，每個維度都是去量綱化的，避免了不同量綱的選取對距離計算產生的巨大影響。
總的來說，在演算法後續計算中，涉及距離度量（聚類分析）或者協方差分析（pca、lda等）的，同時資料分布可以近似為狀態分布，應當使用0均值化的歸一方法。其它應用中，根據具體情況選用合適的歸一化方法。
資料歸一化處理 特徵歸一化
1 定義 資料的歸一化處理，即將資料統一對映到 0,1 區間上。2 方法 1 最大最小標準化 min max normalization 本歸一化方法又稱為離差標準化，使結果值對映到 0 1 之間，轉換函式如下 應用場景 在不涉及距離度量 協方差計算 資料不符合正太分布的時候，可以使用第一種方法或其...
什麼是歸一化處理 特徵歸一化
1 什麼是特徵歸一化？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...
python歸一化處理 python歸一化處理
一 定義 歸一化方法有兩種形式，一種是把數變為 0，1 之間的小數，一種是把有量綱表示式變為無量綱表示式。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。二 目的 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...