目錄
資料縮放scaling（標準化、歸一化）的那些事乙個表達矩陣，通常行為蛋白，列為不同樣本，我們可以標準化行，也可標準化列，具體問題具體分析，關鍵在於要解釋什麼問題。比如我們要盡可能減弱系統偏差對樣本蛋白定量值的影響，使各個樣本和平行實驗的資料處於相同的水平，讓下游分析更為準確可靠，我們需要對列進行歸一化。類似於我們做wb或qpcr實驗時，會選擇內參校正多個樣本的定量值。新增內參或qc的方法在代謝組學的標準化中常用。表達矩陣的歸一化和標準化，去除極端值，異常值
基因晶元資料分析（一）--晶元資料預處理
前四種方法通過將每個蛋白原始定量值除以對應樣本的某指定值（如平均值、中位數、最大值和總和等）實現校正，每個樣本的指定值在校正後變為1；後三種方法通過一定標準對原始資料進行縮放實現校正。
或者直接用scale函式：
scale(data,center=t,scale=f) #center中心化，scale標準化scale(data,center=t,scale=t)如果要對行進行標準化，要求資料盡量在同乙個尺度（scale）下進行比較，比如做層次聚類熱圖，建議將行的資料也進行標準化，這樣每一行的資料就會控制在同乙個尺度之下，顏色的深淺能更好地表現出資料的變化趨勢。
下面一篇文章綜合比較了11種不同歸一化的效能：
variance stabilization normalization（vsn）方法能降低的技術重複間差異最大。linear regression normalization and local regression normalization的總體效果也不錯。
a systematic evaluation of normalization methods in quantitative label-free proteomics
大佬的軟體，三種定量演算法都發了文章。
[蛋白組學定量值的比較說明](
資料的歸一化和標準化處理
我們為什麼要進行歸一化處理 當我們在採集樣本與使用樣本進行演算法 時，是否發現得到的模型存在過擬合或者欠擬合，這時我們要分析我們的資料是否需要預處理操作，我們通常使用下面兩種方法來解決 1.歸一化正是使用減少引數的重要性的方式，來增強模型的泛化能力，並且可以保證特徵數量保持不變。2.手動選擇保留哪些...
資料的歸一化處理和標準化處理
值的歸一化處理 1 資料為什麼做歸一化處理 解析 假設乙個神經元有兩個輸入分別是x1和x2，權重分別是w1和w2，那麼該神經元的訊號加權求和為x1w1 x2w2。再假設x1屬於 0 1 x2屬於 100 1000 那麼x2遠遠大於x1，那麼x1w1就可以忽略不計，整個加權求和就只由x2w2來決定，小...
資料標準化（歸一化）
資料標準化 歸一化 處理是資料探勘的一項基礎工作，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，需要進行資料標準化處理，以解決資料指標之間的可比性。原始資料經過資料標準化處理後，各指標處於同一數量級，適合進行綜合對比評價。以下是兩種常用的歸一...