不同點
對比點歸一化
標準化概念
將數值規約到(0,1)或(-1,1)區間
將對應資料的分布規約在均值為0,標準差為1的分布上
側重點數值的歸一，丟失資料的分布資訊，對資料之間的距離沒有得到較好的保留，但保留了權重
資料分布的歸一，較好的保留了資料之間的分布，也即保留了樣本之間的距離，但丟失了權值
形式缺點1.丟失樣本間的距離資訊；2.魯棒性較差，當有新的樣本加入時最大值與最小值很容易受異常點影響
1.丟失樣本間的權重資訊；
適合場景
1.小資料/固定資料的使用；2.不涉及距離度量、協方差計算、資料不符合正態分佈的時候；3.進行多指標綜合評價的時候；
1.在分類、聚類演算法中，需要使用距離來度量相似性；2.有較好的魯棒性，有產出取值範圍的離散資料或對最大值最小值未知的情況下；
縮放方式
先使用最小值平移，後使用最值差縮放
先使用均值u平移，之後用標準差進行縮放
目的便於消除量綱，將各個指標的資料納入到綜合評價中；
便於後續的梯度下降和啟用函式對資料的處理。因為標準化後，資料以0為中心左右分布，而函式sigmoid,tanh,softmax等也都以0為中心左右分布；
相同點及其聯絡
聯絡：歸一化廣義上是包含標準化的，以上主要是從狹義上區分兩者。
本質上都是進行特徵提取，方便最終資料的比較。
都是為了縮小範圍，便於後續的資料處理。
作用：加快梯度下降，損失函式收斂； 提公升模型精度； 防止梯度**(消除因為輸入差距過大而帶來的輸出差距過大，進而在反向傳播的過程當中導致梯度過大，從而形成梯度**)
歸一化和標準化區別
歸一化 對資料的數值範圍進行特定縮放，但不改變其資料分布的一種線性特徵變換。1.min max 歸一化 將數值範圍縮放到 0,1 但沒有改變資料分布 min max歸一化 2.z score 歸一化 將數值範圍縮放到0附近,但沒有改變資料分布 z score歸一化 標準化 對資料的分布的進行轉換，使...
歸一化與標準化區別
常用的方法是通過對原始資料進行線性變換把資料對映到 0,1 之間，變換函式為 不同變數往往量綱不同，歸一化可以消除量綱對最終結果的影響，使不同變數具有可比性。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，可以使用歸一化方法。比如影象處理中，將rgb影象轉換為灰度影象後將其值限定在 0 25...
標準化與歸一化的區別？
答 簡單來說，標準化是依照特徵矩陣的列處理資料，其通過求z score的方法，將樣本的特徵值轉換到同一量綱下。歸一化是依照特徵矩陣的行處理資料，其目的在於樣本向量在點乘運算或其他核函式計算相似性時，擁有統一的標準，也就是說都轉化為 單位向量 歸一化 這種方法有個缺陷就是當有新資料加入時，可能導致ma...