分类数据归一化处理,WB数据怎么归一化处理

在机器学习领域的数据分析之前，通常需要对数据进行标准化，并使用标准化的数据进行数据分析。 到不同的评价指标

如果具有不同的维和维单位，这种情况会影响数据分析的结果，需要数据才能消除指标之间的维影响

标准化处理以解决数据指标之间的可比性。 原始数据经数据标准化处理后，各项指标处于同一数量级，适合综合

调整比较评价。

Contents

1. 归一化的定义

2. 常用归一化方法

1. 归一化的定义

归一化一般是指对数据进行处理并限定在一定的范围内。 例如，经常被限制为区间[ 0，1 ]或[-1，1 ]

等等。 那么为什么要正规化呢？ 首先，作为重要的概念，奇异样本数据所谓的特异样本数据

指相对于其他输入样本特别大或特别小的样本向量。 例如，以下两个特征样本数据

上面第五列的数据相对于其他列的数据是特殊样本数据，特殊样本数据的存在会引起训练时间的增加，有引用的可能性

无法平息。 因此，在存在特异样本数据的情况下，优选在进行训练之前进行归一化，但在不存在特异的样本数据的情况下可以

就像不用正规化一样。

2. 常用归一化方法

常用归一化方法有3358www.Sina.com/、最大-最小标准化、Z-score标准化等。

函数转化

最大-最小标准化对原始数据进行线性变换，将和分别作为属性的最小值和最大值

如果原始值通过最大-最小归一化映射到区间[ 0，1 ]的值，则表达式为

（1）最大-最小标准化

（2）Z-score标准化Z-score标准化是基于原始数据的平均值和标准偏差的数据标准化。 用Z-score标记属性的原始数据

准化成。 如果不知道属性的最大值或最小值，或者存在超出值范围的离散数据，则Z-score标准化适用

情况。

其中是平均的，标准偏差。

Z-score标准化的结果是所有数据都聚集在0附近，方差为1。

也有对数函数变换、逆余切函数变换等归一化方法，但很少使用，暂时放弃。