数据预处理之归一化
来源:互联网 发布:剑三男神捏脸数据下载 编辑:程序博客网 时间:2024/05/17 06:02
归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布,归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算,首先基本度量单位要同一,神经网络是以样本在事件中的统计分别几率来进行训练(概率计算)和预测的,归一化是同一在0-1之间的统计概率布;SVM是以降维后线性划分距离来分类和仿真的,因此时空降维归一化是统一在-1--+1之间的统计坐标分布。当所有样本的输入信号都为正值时,与第一隐含层神经元相连的权值只能同时增加或减小,从而导致学习速度很慢。为了避免出现这种情况,加快网络学习速度,可以对输入信号进行归一化,使得所有样本的输入信号其均值接近于0或与其均方差相比很小。
归一化是因为sigmoid函数的取值是0到1之间的,网络最后一个节点的输出也是如此,所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用要好。
但是归一化处理并不总是合适的,根据输出值的分布情况,标准化等其它统计变换方法有时可能更好。
主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速,应该归到数字信号处理范畴之内。 归一化方法(Normalization Method)
1。把数变为(0,1)之间的小数
2 。把有量纲表达式变为无量纲表达式归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为纯量。
比如,复数阻抗可以归一化书写:Z = R + jωL = R(1 + jωL/R) ,复数部分变成了纯数量了,没有量纲。
标准化方法(Normalization Method)
关于神经网络(matlab)归一化的整理:
由于采集的各数据单位不一致,因而须对数据进行[-1,1]归一化处理,归一化方法主要有如下几种,供大家参考:
1、线性函数转换,表达式如下:
y=(x-MinValue)/(MaxValue-MinValue)
说明:x、y分别为转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值。
2、对数函数转换,表达式如下:
y=log10(x)
说明:以10为底的对数函数转换。
3、反余切函数转换,表达式如下:
y=atan(x)*2/PI
归一化是为了加快训练网络的收敛性,可以不进行归一化处理
归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布,归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算,首先基本度量单位要同一,神经网络是以样本在事件中的统计分别几率来进行训练(概率计算)和预测的,归一化是同一在0-1之间的统计概率分布;
当所有样本的输入信号都为正值时,与第一隐含层神经元相连的权值只能同时增加或减小,从而导致学习速度很慢。为了避免出现这种情况,加快网络学习速度,可以对输入信号进行归一化,使得所有样本的输入信号其均值接近于0或与其均方差相比很小。
归一化是因为sigmoid函数的取值是0到1之间的,网络最后一个节点的输出也是如此,所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用[1 0 0]要好。
但是归一化处理并不总是合适的,根据输出值的分布情况,标准化等其它统计变换方法有时可能更好。
以上资料整理自网络
再谈机器学习中的归一化方法(Normalization Method):
http://blog.csdn.net/zbc1090549839/article/details/44103801
- 数据预处理之归一化
- 数据预处理之归一化
- 数据预处理之归一化
- 数据预处理之归一化
- 数据预处理之数据归一化
- 数据预处理 归一化
- 数据预处理 归一化(Normalization)
- 数据预处理-归一化与z-score标准化
- 数据预处理 - 归一化/标准化/正则化
- 数字识别--图像预处理之准备(归一化)
- 1. 数据预处理-数据归一化和数据规范化
- Matlab中的数据预处理-归一化(mapminmax)与标准化(mapstd)
- [Scikit-Learn] - 数据预处理 - 归一化/标准化/正则化
- 数据预处理—剔除异常值,平滑处理,标准化(归一化)
- sklearn进行数据预处理-归一化/标准化/正则化
- 数据预处理—归一化(连续值和离散值)
- (待补充)图像预处理——对比度归一化 & 数据增强
- 数据挖掘之数据归一化处理
- 299企业帐号 打包上传蒲公英 In House打包流程
- maven pom.xml详解
- CMake 学习笔记整理(1)
- 构建Activity Fragment+设计app页面
- cvte——android面试必懂
- 数据预处理之归一化
- 2014年奇虎360研发类笔试题 乔布简历
- Fiddler抓包
- 关于Fragment的底部被软键盘上移动及软键盘的详解
- S5PV210 sys_clock编程流程 系统时钟功能模块操作
- Install Open MPI in Ubuntu
- linux命令:mv命令
- \r,\n,\r\n的区别,以及常见转义字符
- JS的永恒闭包问题