【知识分享】归一化与标准化

【知识分享】归一化与标准化

引用

CSDN

1.

https://blog.csdn.net/qq_48185833/article/details/137174193

在数据预处理中，标准化和归一化是两种常用的技术，它们可以帮助我们处理数值范围差异巨大的特征，使数据更容易被模型处理。本文将详细介绍这两种技术的概念、方法以及代码实现。

数据的标准化（Standardization）和归一化（Normalization）是数据预处理中的两种常见技术。

为什么要进行标准化和归一化？

1. 样本不同的特征/属性所在的数值范围差异巨大，导致训练不收敛或其他问题。
2. 所有数据在相同的取值空间更容易处理，方便模型的统一化和规范化，更好地适应模型或数据分析方法。
3. 更容易发现数据的本质规律。

一、归一化（Normalization）

• 将数据按比例缩放，使之落入一个小的特定区间，通常是[0, 1]或[-1, 1]
• 归一化有多种方法，其中最常见的是最小-最大归一化（Min-Max Normalization）
• 它的数学公式如下：
  
• 代码实现：

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
scaled_result = scaler.fit_transform(data)  

• 直观展示：
  归一化对异常值非常敏感，因为异常值可能会显著影响xmin 和xmax 的值。
  

二、标准化（Standardization）

• 也称为Z值归一化（Z-Score Normalization），将数据转换到0值附近
• 线性变换，是将每一维特征的均值都调整为0，标准差（方差）调整为1
• 标准差指数据间的差异程度，数据差异越大，标准差越大
• 进行标准化后，数据并非一定呈现正态分布，若想改变数据的整体形态，需要采取非线性变换（eg：取对数、平方根...）
• 它的数学公式如下：
  
• 代码实现：

from sklearn.preprocessing import StandardScaler 
scaler = StandardScaler() 
standardized_data = scaler.fit_transform(data)