1. 数据预处理-数据归一化和数据规范化
2017-09-11 19:43
537 查看
1. 数据归一化
1.1. 作用
把数据映射到[0,1]的区间中把有量纲形式变成无量纲形式
1.2. 算法
1.2.1. 最小-最大归一化
Y=X−XminXmax−Xmin把X的值映射到[0, 1] 的区域中,因为必有X < Xmax,所以分子(X - Xmin) < 分母(Xmax - Xmin),所以Y在[0,1]之间
1.2.2. 对数函数归一化
Y=log10(X)1.2.3. 反余切函数归一化
Y=arctan(x∗2π)2. 数据规范化
1.1. 作用
使数据按照一定的比例进行缩放,通过缩放,使得数据映射到特定的空间里面。1.2. 算法
1.2.1. 最小-最大规范化
Y=X−XminXmax−Xmin∗(Xnewmax−Xnewmin)+Xnewmin把X的值映射到[Xnewmin, Xnewmax] 的区域中。
1.2.2. Z分数(z-score)规范化(零均值规范化)
Y=X−μσ这种方法最大的优势在于,不需要知道数据集的最大值,最小值。离群点对结果影响较低。
1.2.3. Sigmoid函数
Y=11+e−xSigmoid函数是一个具有S形曲线的函数,当数据趋向于正无穷和负无穷的时候,映射出来的值就会无限趋向于1和0,
1.2.4. 小数定标规范化
Y=X10n(n为使得Ymax<1的最小整数)通过移动小数点的位置,进行规范化
1.2.5. 模糊量化规范化
Y=12+12∗sin[πXmax−Xmin∗(X−Xmax−Xmin2)]相关文章推荐
- 【机器学习】【数据预处理】数据的规范化,归一化,标准化,正则化
- 数据预处理--归一化
- 数据预处理中归一化(Normalization)与损失函数中正则化(Regularization)解惑
- 关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化
- 为什么数据都要做一个归一化预处理
- 数据预处理 归一化
- 数据预处理练习 等频分箱、one_hot(独热编码)、数据归一化 #python
- 神经网络基本原理-4.3数据预处理(零中心化+归一化+PCA+白化)
- 关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化
- Matlab中的数据预处理-归一化(mapminmax)与标准化(mapstd)
- (Python实现)数据PCA降维白化和L2归一化-深度学习实践常用数据预处理
- [Scikit-Learn] - 数据预处理 - 归一化/标准化/正则化
- sklearn中的数据预处理——标准化\最小-最大规范化\特征标签二值化\异常值\标签编码等
- 数据预处理—归一化(连续值和离散值)
- 关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化
- 使用sklearn进行数据预处理 —— 归一化/标准化/正则化
- 关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化
- 数据预处理之归一化
- 关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化
- 数据规范化(归一化)方法