分类目录：《深入理解机器学习》总目录
归一化 （Normalization）和标准化 （Standardization）都是特征缩放的方法。特征缩放是机器学习预处理数据中最重要的步骤之一，可以加快梯度下降，也可以消除不同量纲之间的差异并提升模型精度。文章来源：https://www.toymoban.com/news/detail-474030.html
归一化（Normalization）是将一组数据变换到某个固定区间中。通常，将映射到 [ 0 ， 1 ] [0，1] [0，1]区间，而图像中可能会映射到 [ 0 , 255 ] [0,255] [0,255]，其他情况还可能映射到 [ − 1 , 1 ] [-1,1] [−1,1]。而标准化（Standardization）是在不改变原始的数据分布的情况下，将数据的分布变换为均值为0，标准差为1。所以标准化也可以视为一种特殊的归一化，故我们也称标准化为Z值归一化。文章来源地址https://www.toymoban.com/news/detail-474030.html
- 标准化（Standardization）/Z值归一化（Z-Score Normalization）：
x i ′ = x i − x mean σ ( x ) x_i'=\frac{x_i-x_\text{mean}}{\sigma(x)} xi′=σ(x)xi−xmean - 最大最小值归一化（Min-Max Normalization）：
x i ′ = x i − x min x max − x min x_i'=\frac{x_i-x_\text{min}}{x_\text{max}-x_\text{min}} xi′=xmax−xminxi−xmin - 均值归一化（Mean Normalization）
x i ′ = x i − x mean x max − x min x_i'=\frac{x_i-x_\text{mean}}{x_\text{max}-x_\text{min}} xi′=xmax−xminxi−xmean
到了这里，关于深入理解机器学习——数据预处理：归一化 （Normalization）与标准化 （Standardization）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
