在對多分類資料進行z-score歸一化時，是再將各類資料彙總後進行均值歸一化？還是將每類資料進行歸一化後再彙總？
題主進行了實驗：
實驗1-各類資料彙總後進行均值歸一化：（0，1，2，3，4類，測試每類取17個）
孿生網路（評判相似度作用）準確率為：75%
各類實驗準確率如下：0：0.294 #0類被當作是1的 個數是11
1： 0.352 #1類被當作是0的 個數是7
2：0.76 #2類準確率，2類被當作是4的 個數是4
3：0.41 #3類準確率，3類被當作是0的 個數是7
4：0.64 #4類準確率，4類被當作是3的 個數是3
實驗2-各類資料彙總後進行均值歸一化：（0，1，2，3，4類，測試每類取17個）
孿生網路（評判相似度作用）準確率為：80%
各類實驗準確率如下：0：0.76 #0類被當作是1的 個數是3
1： 0.11 #1類被當作是4的 個數是8
2：0.88 #2類準確率，2類被當作是0的 個數是2
3：0.70 #3類準確率，3類被當作是4的 個數是4
4：0.58 #4類準確率，
總結 做資料歸一化時出現的小問題
我們知道在乙個資料集裡，存在著多個特徵，而這些特徵的量綱大多數情況下不會全部一致，因此，這是我們需要對資料集進行歸一化處理，如下所示，是我要處理的資料。在歸一化方法中，一般有兩種方法。此方法將資料對映到 0,1 範圍內，其公式如下所示 這種方法的pandas實現中，需要注意data的中括號裡需要再次...
資料的歸一化
正常情況下，資料的處理用的都是線性歸一化，但是如果實驗的資料服從某種分布函式時，其中最多的就是正態分佈了，假設實驗資料是服從正態分佈的，我們可以通過乙個函式來對資料進行變換，這個函式選取的原則就是使得原有資料中的資訊量最多，即資訊熵最大。首先我說一下資訊熵的計算方法 可能這裡講熵的概念更難理解了，換...
資料歸一化
近來，在網上搜了很多關於資料歸一化的帖子，看了太多，很雜，這裡整理總結一下 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。比如說，對於奇異樣本資料 所謂奇異樣本資料資料指的是相對於其他...