数据标准化
目的
方法
- 对于每个特征，从其值中减去特征的平均值，然后除以特征的标准差。
- 公式：
标准化值
=
(
原始值
−
平均值
)
标准差
标准化值=\frac{(原始值−平均值)}{标准差}
标准化值=标准差(原始值−平均值)
应用场景
- 当数据的分布接近正态分布时，标准化特别有效。
- 适用于大多数机器学习算法，特别是那些对数据尺度敏感的算法，如支持向量机（SVM）、K最近邻（KNN）和主成分分析（PCA）。
优点
- 保持数据中的异常值。
- 使数据在不同特征间具有可比性。
缺点
数据归一化
目的
- 将数据缩放到一个固定的范围，通常是0到1或-1到1。
方法
- 将数据按比例缩放，使其落入一个设定的最小值和最大值之间。
公式（0到1范围）：
归一化值
=
(
最大值
−
最小值
)
(
原始值
−
最小值
)
归一化值= \frac{(最大值−最小值)}{(原始值−最小值)}
归一化值=(原始值−最小值)(最大值−最小值)
应用场景
- 当需要保留原始数据中的比例关系时，归一化是一个好选择。
- 适用于不要求数据具有正态分布特性的算法，如神经网络和距离度量算法。
优点
- 保留了数据中的原始比例关系。
- 使数据适用于需要固定范围输入的算法。
缺点
总结
标准化更注重数据的分布特性，使数据在不同特征间具有可比性，但不保留原始尺度。归一化更注重保留数据的原始比例关系，适用于需要固定范围输入的算法，但可能受异常值的影响较大。
