1 .线性归一化
简单的公式表示: y=(x-minvalue )/)/(max Value-min Value ) ) ) ) ) ) ) ) )。
这里,x是归一化前的数据,y是归一化后的数据,max Value和min Value分别对应于这个组中的最大值和最小值。 范围: [ 0,1 ]。
应用:在一定范围内均匀缩放原始数据,不涉及距离测量或协方差计算时使用。
2 .标准差归一化
简单公式表示: y=(x-) /
其中,x、y分别对应于归一化前后的数据。 表示该数据的平均差,表示该数据的方差。
应用:原始数据与机智的银耳汤分布相近。 同时测量距离。
3 .对数归一化
简单的公示表达: y=log10(x )
其中,x、y分别对应于归一化前后的数据。
4 .逆余切正规化
简单的公示表现: y=atan(x ) *2/pi
其中,x、y分别对应于归一化前后的数据。 反正切函数的范围为[0,/2],因此用反正切得到的值乘以2除以,将范围抑制为[ 0,1 ]
5 .映射最小
这是用matlab封装的方法,是一种线性正则化。
表达式为y=(ymax-ymin ) ) *(x-xmin )/(xmax-xmin ) ymin
其中,x、y分别对应于归一化前后的数据。 xmax、xmin分别对应于处理前的数据的最大值和最小值,优选ymax、ymin为处理后的数据的最大值和最小值,换言之为处理后的数据的范围。 matlab中的使用方法包括: [matlab_minmax_data,S1]=mapminmax(minmax_data );
matlab_minmax_data是处理后的矩阵,s1是mapminmax操作的索引,可以输出观看。 minmax_data是处理前的数据。
简单matlab代码的实现
%%初始数据部分
%未处理的数据data
data=[ 1,3,9,20,2,6; ];
%获取的数据数,即矩阵中的列数。
数据_ l=size (数据,2 );
%%用线性函数归一化
分配%内存空间
minmax_data=Zeros(1,data_l );
for n=1:data_l
%当前值减去最小值,除以最大值最小值之差
minmax_data(3360,n ) (数据) :n )-min (数据)/(max (数据)-min (数据) ) );
结束
输出%结果
线性归一化;
DISP(minmax_data;
进行%%标准偏差的正规化
分配%内存空间
zscore_data=Zeros(1,data_l );
for m=1:data_l
%当前值减去平均值除以标准偏差
zscore_data(:m ) ) data ) :m )-mean (data ) )/STD (data );
结束
输出%结果
disp (标准差正规化);
DISP(zscore_data;
%%对数正规化
分配%内存空间
log_data=Zeros(1,data_l );
for n=1:data_l
log_data(3360,n )=log10 ) data (:n );
结束
输出%结果
disp (对数正规化);
disp(log_data );
%%进行逆馀音正规化
分配%内存空间
atan_data=Zeros(1,data_l );
for n=1:data_l
%逆剩余函数的范围为[0,/2],因此用逆剩余函数得到的值乘以2除以,将范围抑制为[ 0,1 ]
atan_data(3360,n )=atan ) data (:n ) *2/pi;
结束
输出%结果
disp (反余切正规化);
disp(Atan_data );
映射最小最大正则化
[matlab_minmax_data,S1]=mapminmax(minmax_data );
输出%结果
最大最小归一化(disp );
disp(MATLAB_minmax_data;
输出%规范化索引
最大最小归一化索引(disp );
DISP(S1;