黄冈网站推广优化找哪家,楼盘网站建设,加盟什么网站建设,酒店网站建设协议数据标准化 VS 数据归一化 数据标准化目的方法应用场景优点缺点 数据归一化目的方法应用场景优点缺点 总结 数据标准化
目的
将数据转换为均值为0#xff0c;标准差为1的分布。
方法
对于每个特征#xff0c;从其值中减去特征的平均值#xff0c;然后除以特征的标准差。… 数据标准化 VS 数据归一化 数据标准化目的方法应用场景优点缺点 数据归一化目的方法应用场景优点缺点 总结 数据标准化
目的
将数据转换为均值为0标准差为1的分布。
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
不保留数据中的原始尺度和距离关系。
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
可能会因为异常值的存在而失去一些有用的信息。
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。
