归一化(标准化)两种常用方法
2018-01-08 23:26
211 查看
归一化(标准化)两种常用方法
数据标准化(归一化)处理是数据挖掘的一项基础工作,不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。以下是两种常用的归一化方法:
也称为离差标准化,是对原始数据的线性变换,使结果值映射到[0 - 1]之间。转换函数如下:
其中max为样本数据的最大值,min为样本数据的最小值。这种方法有个缺陷就是当有新数据加入时,可能导致max和min的变化,需要重新定义。
这种方法给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。经过处理的数据符合标准正态分布,即均值为0,标准差为1,转化函数为:
其中
为所有样本数据的均值,
为所有样本数据的标准差。
http://webdataanalysis.net/data-analysis-method/data-normalization/
标准差也被称为标准偏差,或者实验标准差,公式为
。
数据标准化(归一化)处理是数据挖掘的一项基础工作,不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。以下是两种常用的归一化方法:
一、min-max标准化(Min-Max Normalization)
也称为离差标准化,是对原始数据的线性变换,使结果值映射到[0 - 1]之间。转换函数如下:其中max为样本数据的最大值,min为样本数据的最小值。这种方法有个缺陷就是当有新数据加入时,可能导致max和min的变化,需要重新定义。
二、Z-score标准化方法
这种方法给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。经过处理的数据符合标准正态分布,即均值为0,标准差为1,转化函数为:其中
为所有样本数据的均值,
为所有样本数据的标准差。
参考文献:
http://webdataanalysis.net/data-analysis-method/data-normalization/标准差也被称为标准偏差,或者实验标准差,公式为
。
相关文章推荐
- [ 转]数据归一化和两种常用的归一化方法:极小极大标准化,0均值1标准差标准化
- 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- 数据归一化的两种常用方法
- 数据归一化和两种常用的归一化方法
- 数据归一化的两种常用方法
- 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- [转] 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- 数据归一化及两种常用归一化方法
- 机器学习中数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法