数据的中心化和标准化
来源:互联网 发布:软件的界面设计 编辑:程序博客网 时间:2024/04/30 21:25
简介:
意义:数据中心化和标准化在回归分析中是取消由于量纲不同、自身变异或者数值相差较大所引起的误差。
原理:数据标准化:是指数值减去均值,再除以标准差;
数据中心化:是指变量减去它的均值。
目的:通过中心化和标准化处理,得到均值为0,标准差为1的服从标准正态分布的数据。
在回归问题和一些机器学习算法中,以及训练神经网络的过程中,还有PCA等通常需要对原始数据进行中心化(Zero-centered或者Mean-subtraction)处理和标准化(Standardization或Normalization)处理。
- 目的:通过中心化和标准化处理,得到均值为0,标准差为1的服从标准正态分布的数据。计算过程由下式表示:
x′=x−μσ - 原因:在一些实际问题中,我们得到的样本数据都是多个维度的,即一个样本是用多个特征来表征的。很显然,这些特征的量纲和数值得量级都是不一样的,而通过标准化处理,可以使得不同的特征具有相同的尺度(Scale)。这样,在学习参数的时候,不同特征对参数的影响程度就一样了。简言之,当原始数据不同维度上的特征的尺度(单位)不一致时,需要标准化步骤对数据进行预处理。
下图是二维的示例:
- 左图表示的是原始数据
- 中间的是中心化后的数据,可以看出就是一个平移的过程,平移后中心点是(0,0)。同时中心化后的数据对向量也容易描述,因为是以原点为基准的。
- 右图将中心化后的数据除以标准差,得到为标准化的数据,可以看出每个维度上的尺度是一致的(红色线段的长度表示尺度),而没有处理之前的数据是不同的尺度标准。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。
参考:https://www.zhihu.com/question/37069477
阅读全文
2 0
- 数据的中心化和标准化
- 数据的中心化和标准化
- 中心化和标准化
- r语言怎么将数据标准化和中心化
- 线性回归中何时中心化和标准化训练数据
- 中心化和标准化处理
- 数据的标准化与中心化以及R实现
- 数据的标准化与中心化以及R语言中的scale详解
- 数据的标准化与中心化以及R语言中的scale详解
- 数据的标准化与中心化以及R语言中的scale详解
- 机器学习中的数学(2)——矩阵中心化、标准化的意义和作用
- 中心化/标准化/scale()函数
- 数据标准化处理的“道”和“术”
- 数据标准化和归一化
- 数据标准化和归一化
- 数据的规范化,归一化,标准化,正则化
- 数据的标准化
- 数据的标准化
- 极简版ASP.NET Core学习路径及教程
- android 防止按钮暴力点击
- 超声波 气压计 Kalman 简单融合
- python3.5安装jpype1调用Java
- 《图解HTTP》读书笔记(8)第8章确认访问用户身份的认证(关键词:HTTP/)
- 数据的中心化和标准化
- 单链表的应用——多项式加法的C语言实现(链式存储结构)
- 使用 Rust 构建分布式 Key-Value Store
- Spark工作机制
- 在nginx中建立多个虚拟服务器
- jQuery验证手机号、身份证、姓名
- 基于c++的函数模板
- 如何查看一个mysql的sql语句的性能
- leetcode#206. Reverse Linked List