2. min-max標準化
資料標準化表示將資料按比例縮放，使之落入乙個小的特定區間，一般的目的在於：去除資料的單位限制，轉化為量綱的純數值，便於不同單位或數量級的指標能夠進行比較和加權。資料的歸一化便是乙個典型的案例。
把數轉換為（0,1）之間的小數
把有量綱的表示式轉換為無量綱的表示式
歸一化的好處在於：在多指標評價體系中，由於各個評價指標的性質，通常具有不同的量綱和數量級。當各指標間的水平相差很大時，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，相對削弱值水平低指標的作用。因此，為了保證結果的可靠性，需要對原始資料進行標準化處理。
經驗上來說，歸一化就是讓不同維度之間的特徵在數值上有一定比較性，可以大大提高分類器的準確性。
對序列x1,
x2,.
..,x
nx_1,x_2,...,x_n
x1,x2
,..
.,xn
進行變換：
y i=
xi−m
in1≤
j≤nm
ax1≤
j≤n−
min1
≤j≤n
y_i=\frac}}}-min_}}
yi=ma
x1≤j
≤n−
min1
≤j≤n
xi
−min
1≤j≤
n則新序列y1,
y2,.
..,y
n∈[0
,1
]y_1,y_2,...,y_n∈[0,1]
y1,y2
,..
.,yn
∈[0
,1]且無量綱。一般的資料需要時都可以考慮先進行規範化處理。
min-max標準化是對原始資料進行線性變換，將值對映到[0,1]之間。
import numpy as np
import math
"""around(arr,decimals=?)?maintain x decimals
"""class
datanormalization
:def
__init__
(self)
: self.arr = np.array([1
,2,3
,4,5
,6,7
,8,9
])self.x_max = self.arr.
max(
) self.x_min = self.arr.
min(
) self.x_mean = self.arr.mean(
) self.x_std = self.arr.std(
)def
min_maxnorm
(self)
: arr = np.around(
((self.arr - self.x_min)
/(self.x_max - self.x_min)
), decimals =4)
print
("min_maxnorm:{}"
.format
(arr)
)if __name__ ==
"__main__"
: a = datanormalization(
) a.min_maxnorm(
)
min_maxnorm:[0
.0.125
0.25
0.375
0.50.625
0.75
0.8751.
]
資料的標準化和標準化方法
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，便於不同單位或量綱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 區間上，常見的資料歸...
資料的標準化和標準化方法
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，便於不同單位或量綱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 區間上，常見的資料歸...
常用的資料標準化方法
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0 1標準化和z標準化 也叫離差標準化，是對原始資料的線性變換，使...