tk网站免费,东莞长安人才市场招聘信息,手机网页开发者工具,医疗网站建设教程数据标准化#xff08;归一化#xff09;处理是数据挖掘的一项基础工作#xff0c;不同评价指标往往具有不同的量纲和量纲单位#xff0c;这样的情况会影响到数据分析的结果#xff0c;为了消除指标之间的量纲影响#xff0c;需要进行数据标准化处理#xff0c;以解决数…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
x∗(x−min)/(max−min)
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
x∗(x−μ)/σ
其中 μ为所有样本数据的均值σ为所有样本数据的标准差。
三 Z-scores 简单化
模型如下
x∗1/(1x)
x越大证明x∗ 越小这样就可以把很大的数规范在[0-1]之间了。
总结
以上12方法都需要依赖样本所有数据而3方法只依赖当前数据可以动态使用好理解。
转载https://www.cnblogs.com/swg1124/p/7028054.html
