数据归一化方法
来源:互联网 发布:js 禁用esc 编辑:程序博客网 时间:2024/05/14 20:24
数据归一化方法大全
在数据分析之前,我们通常需要先将数据标准化(normalization),利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题,对不同性质指标直接加总不能正确反映不同作用力的综合结果,须先考虑改变逆指标数据性质,使所有指标对测评方案的作用力同趋化,再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种,常用的有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理,原始数据均转换为无量纲化指标测评值,即各指标值都处于同一个数量级别上,可以进行综合测评分析。
一、最大最小 标准化
标准化方法是对原始数据进行线性变换。设minA和maxA分别为属性A的最小值和最大值,将A的一个原始值x通过 标准化映射成在区间[0,1]中的值 ,其公式为:新数据=(原数据-极小值)/(极大值-极小值)
二 、z-score 标准化
这种方法基于原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。将A的原始值x使用z-score标准化到x'。z-score标准化方法适用于属性A的最大值和最小值未知的情况,或有超出取值范围的离群数据的情况。新数据=(原数据-均值)/标准差spss默认的标准化方法就是z-score标准化。
步骤如下:
1.求出各变量(指标)的算术平均值(数学期望)xi和标准差si ;
2.进行标准化处理:
zij=(xij-xi)/si
其中:zij为标准化后的变量值;xij为实际变量值。
3.将逆指标前的正负号对调。
标准化后的变量值围绕0上下波动,大于0说明高于平均水平,小于0说明低于平均水平。
三、Decimal scaling小数定标标准化
这种方法通过移动数据的小数点位置来进行标准化。小数点移动多少位取决于属性A的取值中的最大绝对值。将属性A的原始值x使用decimal scaling标准化到x'的计算方法是:x'=x/(10*j)其中,j是满足条件的最小整数。例如 假定A的值由-986到917,A的最大绝对值为986,为使用小数定标标准化,我们用1000(即,j=3)除以每个值,这样,-986被规范化为-0.986。注意,标准化会对原始数据做出改变,因此需要保存所使用的标准化方法的参数,以便对后续的数据进行统一的标准化。除了上面提到的数据标准化外还有对数Logistic模式、模糊量化模式等等:对数Logistic模式:新数据=1/(1+e^(-原数据))模糊量化模式:新数据=1/2+1/2sin[pi/(极大值-极小值)*(X-(极大值-极小值)/2) ] X为原数据
0 0
- 数据标准化/归一化方法
- 数据归一化方法
- 数据归一化方法大全
- 数据归一化方法
- 数据归一化的方法
- 数据归一化的方法
- 数据归一化方法
- 常用数据归一化方法
- 数据归一化常用方法
- 为什么要数据归一化和归一化方法
- 机器学习-数据归一化方法
- 数据归一化的方法总结
- 机器学习-数据归一化方法
- 数据规范化(归一化)方法
- 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- 数据归一化和两种常用的归一化方法
- Spark学习之编程进阶——累加器与广播(5)
- Android Scroller原理
- 回顾:Unity 游戏引擎发展历程
- http://blog.csdn.net/enuola/article/details/7917221
- Murano的Symphony和Mesos(Marathon)的package和imge全部做好了
- 数据归一化方法
- Codeforces Round #330 (Div. 2)(A,B,C,D,E)
- Ext中延迟关闭弹窗
- springmvc 通过注解读取配置文件
- Freemarker和El表达式冲突解决办法
- 使用XStream实现xml与JavaBean之间的转换
- adbl连接不上 daemon not running. starting it now on port 5037 ADB server didn't ACK
- HBase技术介绍
- 关于 contentObserver()中的onChang()执行两次的问题