normalization是什么 normalization的翻译

数据归一化（Normalization）是将数据的特征值转换到某个固定的范围内，使其变成统一的尺度，以便于不同特征之间进行比较。

1. 均值归一化：将所有样本的特征值减去该特征的平均值，然后除以标准差，使得特征值的均值为0，方差为1。

代码示例：

python # 均值归一化 def normalize(X): X_norm = np.empty(X.shape) for i in range(X.shape[1]): mean = np.mean(X[:,i]) std = np.std(X[:,i]) X_norm[:,i] = (X[:,i] - mean)/std return X_norm

2. 最大最小值归一化：将所有样本的特征值减去该特征的最小值，然后除以最大值与最小值的差，使得特征值的取值范围在0~1之间。

代码示例：

python # 最大最小值归一化 def minmax_normalize(X): X_norm = np.empty(X.shape) for i in range(X.shape[1]): min = np.min(X[:,i]) max = np.max(X[:,i]) X_norm[:,i] = (X[:,i] - min)/(max-min) return X_norm

3. L1归一化：将所有样本的特征值减去该特征的均值，然后除以L1范数，使得特征值的L1范数为1。

代码示例：

python # L1归一化 def l1_normalize(X): X_norm = np.empty(X.shape) for i in range(X.shape[1]): mean = np.mean(X[:,i]) norm = np.linalg.norm(X[:,i], ord=1) X_norm[:,i] = (X[:,i] - mean)/norm return X_norm

4. L2归一化：将所有样本的特征值减去该特征的均值，然后除以L2范数，使得特征值的L2范数为1。

代码示例：

python # L2归一化 def l2_normalize(X): X_norm = np.empty(X.shape) for i in range(X.shape[1]): mean = np.mean(X[:,i]) norm = np.linalg.norm(X[:,i], ord=2) X_norm[:,i] = (X[:,i] - mean)/norm return X_norm

标签：