数据的归一化(Normalization)、标准化(Standardization)
2016-01-28 17:14
176 查看
数据的标准化、中心化、归一化以及R语言中的scale
本文参考:Gower (1985), Johnson and Wichern (1992), Everitt (1993), and van Tongeren (1995)
http://stats.stackexchange.com/questions/10289/whats-the-difference-between-normalization-and-standardization
https://www.biomedware.com/files/documentation/Preparing_data/Methods_for_data_standardization.htm
http://www.dataminingblog.com/standardization-vs-normalization/
http://www.360doc.com/content/14/0408/20/7673502_367328521.shtml
在进行数据处理是经常会遇到两组或多组数据不对等的情况,比如一组数据均值为12,另一组数据为均值为320,这时候如果希望比较这两组数据就需要对数据进行处理。至于归一化、标准化、中心化需要根据实际问题进行处理。
归一化(Normalization)
数据的归一化一般认为是:这样数据的范围在[0,1]之间
有时候我们需要针对不同的问题进行不同的归一化,比如在处理基因芯片数据时为了让每个芯片的数据在同一个范围内可以根据均值和中位数进行标准化。
标准化(Standardization)
数据的标准化一般认为是:这样数据的均值为0,标准差为1,也成为z-score
标准化数据可以使用R语言的scale函数
data <- c(1, 2, 3, 6, 3)
scale(data, center=T,scale=F)
[,1]
[1,] -2
[2,] -1
[3,] 0
[4,] 3
[5,] 0
attr(,”scaled:center”)
[1] 3
数据标准化
scale(data, center=T,scale=T)
[,1]
[1,] -1.06904
[2,] -0.53452
[3,] 0.00000
[4,] 1.60357
[5,] 0.00000
attr(,”scaled:center”)
[1] 3
attr(,”scaled:scale”)
[1] 1.8708
scale方法中的两个参数center和scale的解释:
1.center和scale默认为真,即T或者TRUE
2.center为真表示数据中心化(只减去均值不做其他处理)
3.scale为真表示数据标准化
相关文章推荐
- SharePoint’s Popularity Trends & Popularity and Search Reports
- 详解基于Binder的BroadcastReceiver && 基于Handler的LocalBroadcastManager
- spark transform系列__sortByKey
- Swing-树型组件
- Android 从相冊获取近期拍摄的多张照片(获取相机拍照所存储的照片)
- myisam压缩(前缀压缩)索引
- Usb Audio Device Descriptor(10) Hid Device
- Gradle version 2.2 is required. Current version is 2.10
- 蓝桥杯 - 最大最小公倍数
- '\0','0',"0" ,0之间的区别
- 银行家算法
- LinkIt Assist 2502开发笔记1: 开发环境的构建
- 用LaunchScreen.storyboard做启动图
- java解惑--谜题14:转义字符的溃败
- java web国际化
- 中国首个 SaaS 模式的云告警平台 iOS 版 APP 上线
- ssh
- ORACLE关于cursor
- linux查看进程启动时间、运行多长时间等指定信息
- undefined reference to