数据规范中的归一化与标准化：
a .规范化vs .标准化
归一化：处理需要处理的数据后，将其限制在所需的一定范围内(用某种算法)。 首先，正规化是为了便于后面的数据处理，其次，保正程序执行时的收敛变快。 一般来说，指将数据限制在[0 1]之间。
”将数变为(0，1 )之间的数，主要是为了方便数据处理而提出的，将数据映射到0-1之间进行处理，更便于携带，速度更快。
”将有维表达式改为无量纲表达式，使之成为标量；
”一般使用最大-最小规范化对原始数据进行线性转换： x*=(x-xmin )/(Xmax-Xmin )/(Xmax-Xmin ) ) ) )。
对标准化：原始数据进行定标处理，限制在一定范围内。 一般是平均值为0、方差值为1的正规化。 即使数据不适合正态分布，也可以采用这种方法，标准化数据有正有负。
由于信用指标体系各指标的度量单位不同，为了使指标能够参与评价计算，需要对指标进行归一化，并通过函数变换将其数值映射到某个数值区间
)数据同步化处理)解决不同性质的数据问题，将不同性质的指标直接相加也不能准确反映不同作用力的综合结果。 首先，必须考虑改变逆指标数据的性质，使所有指标对评价方案的作用力同步化，相加才能得到正确的结果；
”无量纲化处理：解决数据可比性；
”一般采用Z-score归一化：即平均值为0、方差为1的正态分布
在matlab中，用于归一化的方法共有三种：
)1) premnmx、postmnmx、tramnmx。 premnmx指向递归[-1 1]，tramnmx是可变测试集的输入结果，postmnmx是转换测试集的输出结果。
)2) prestd、poststd、trastd。 prestd归单位方差和零均值。
)3)自己编程。 关于自己的编程一般归结为[0.1 0.9]
b .为什么要使用规范化呢？ 奇异样本数据是指相对于其它输入样本特别大或更小的样本向量。 由于存在异常样本数据而增加网络训练时间可能会导致网络不收敛，因此希望在训练之前以先进形式对存在针对训练样本的异常样本数据的数据集进行规范化，如果不存在异常样本数据，则预先对数据集进行规范化
c .一次也可以使用mapminmax。
此函数可以将矩阵中的每一行组合为[radpd]。 默认值为[-1 1]。
[y1，PS]=mapminmax(x1，a，b ) .其中x1是需要归一化的矩阵，y1是结果
如果需要临时对其他数据进行分组，如SVM中的培训数据，则test data可以通过以下方式进行相同的分组： y2=映射最小(应用)、x2、PS )。
如果需要恢复集中式数据，可以使用以下命令： x1 _ again=map minmax (' reverse '，y1，PS )
D.Matlab命令的说明
1. mean:计算向量平均。 mean(x，1 )列向量平均，mean(x，2 )行向量平均。 均值mean2(x )矩阵。
2. std :计算向量均值方差，计算STD(x，0，1 )列向量均值方差，STD(x，0，2 )行向量均值方差。 STD2(x )矩阵均值方差
3. var :计算向量方差，var(x )
4. sse (误差平方和，SSE ) x )。 越接近0，表示拟合越好，数据预测越成功。
5. mse :均方和，MSE(x )=sse(x ) x )/N。 意思和sse一样
6. R-square :确定系数。 确定系数通过数据的变化来表示拟合的好坏。 由上式可知，“确定系数”的正常取值范围为[0 1]，越接近1，方程变量对y的解释能力越高，该模型对数据也越拟合。
转载于：https://www.cn blogs.com/miliery/p/4394372.html