处理数据时不进行数据归一化处理方法会有什么影响？数据归一化处理方法的作用是什么

来源：蜘蛛抓取(WebSpider) 时间：2017-10-14 10:31 标签： 对数据进行归一化处理
特征处理时，数据标准化和归一化有什么区别啊？_词汇网
特征处理时，数据标准化和归一化有什么区别啊？
责任编辑：词汇网 发表时间： 17:28:48
【以下解答】标准化一般是指把均值调整成0，方差调整成1。归一化狭义上是指把最小值、最大值调整成0、1或-1、1，广义上也可以指标准化。
上一集:没有了 下一集:
相关文章：&&&&&&
最新添加资讯
24小时热门资讯
附近好友搜索拒绝访问 |
| 百度云加速
请打开cookies.
此网站 () 的管理员禁止了您的访问。原因是您的访问包含了非浏览器特征(3ad9edef-ua98).
重新安装浏览器，或使用别的浏览器君，已阅读到文档的结尾了呢~~
Matlab学习系列，语法+代码实例+运行结果
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
12. 数据预处理—剔除异常值，平滑处理，标准化(归一化)
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer--144.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口走向人工智能 —— 数据预处理之归一化
走向人工智能 —— 数据预处理之归一化
计算机智能与自动化
数据归一化是为了将不同表征的数据规约到相同的尺度内，常见的尺度范围有[-1, 1]，[0, 1]。对于神经网络、支持向量机（SVM），在数据预处理中使用归一化是必不可少的。当然，对于一些模型，归一化也不是必需的，例如决策树。数据归一化方法：一、线性归一化（Linear Normalization）：f(x) = (x - min) / (max - min) 其中，min和max分别代表x所属区间的最小值和最大值。 特点：数据被均匀地归一到0~1之间； 需求：目标值的上界和下界是明确知晓的，例如上图中，我们假设了目标值的最小值为0，最大值为1。 这种归一化方式是我们最常见的，在大多数问题中都可以使用，例如在图像识别中，将图像的灰度值0~255归整到0~1内。二、Sigmod归一化（Sigmod Normalization）：f(x) = 1 / (1 + exp(-ax+b))假设 a=0.1，b=5，其图像为 这种归一化方式，当我们对数据分布的中间地带需要着重分析，而对两端数据并不是很敏感时，可以使用，具体的a和b根据问题去调整，其中a影响的是上图中蓝色曲线的陡峭程度，b影响的是曲线的平移。 假设我们需要预测人们幸福感的高低，选择的影响因素有年龄、学历、收入高低等。数据样本中，绝大多数分布在年收入5w-40w，但是也有极端的在0.5w的极低收入和1000w的极高收入，并且我们还发现，在7w-15w这个区间内，人们的幸福感对收入的高低非常敏感。当然在一些简单处理中，可以设定一个区间范围，例如[1w, 100w]，然后将小于1w的当作1w，将高于100w的当作100w，但是这种处理是相对简单粗暴的，为了不消除极端数据的效果，以及充分考虑中间敏感区间，我们可以使用Sigmod归一化方式，能够有效地扩大中间数据的差异性。 与该思想类似的还有反正切函数归一化：f(x) = atan(ax-b) / PI 其中，PI为圆周率3.14159… 特点：数据按“敏感性的平均化”被归一到0~1之间； 需求：目标值的上界和下界不需要明确知晓，并且对两端数据值不敏感，而对中间部分的数据值敏感。三、Z-score归一化（Z-score Normalization）：f(x) = (x - q) / s 其中，q是原始数据x的均值， s是原始数据的标准差。归一化的数据符合正态分布，并且其均值为0，标准为1。
Z-score表示原始数据偏离均值的距离长短，而该距离度量的标准是标准方差。该种归一化方式要求原始数据的分布可以近似为高斯分布，否则归一化的效果并不好。Z-score的数据分布如下图所示： 对于较大数量的数据而言，将会有68.26%的数据归一化到[-1, 1]之间，95.44%的数据归一化到[-2., 2]之间99%的数据归一到[-3, 3]之间。 特点：根据数据值的分布情况来进行分布概率的归一化。 需求：原始数据至少近似呈现正态分布。
本文仅代表作者观点，不代表百度立场。系作者授权百家号发表，未经许可不得转载。
计算机智能与自动化
百家号 最近更新：
简介: 专注于机器学习、人工智能及自动化相关科技
作者最新文章

我要回帖

更多关于 对数据进行归一化处理 的文章

 

随机推荐