数据归一化及两种常用归一化方法
来源:互联网 发布:seo域名查询 编辑:程序博客网 时间:2024/06/05 19:12
数据标准化(归一化)处理是数据挖掘的一项基础工作,不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。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。以下是两种常用的归一化方法:
min-max标准化(Min-Max Normalization)
也称为离差标准化,是对原始数据的线性变换,使结果值映射到[0 , 1]之间。转换函数如下:
其中max为样本数据的最大值,min为样本数据的最小值。这种方法有个缺陷就是当有新数据加入时,可能导致max和min的变化,需要重新定义。
min-max标准化python代码如下:
import numpy as nparr = np.asarray([0, 10, 50, 80, 100])for x in arr: x = float(x - np.min(arr))/(np.max(arr)- np.min(arr)) print x# output# 0.0# 0.1# 0.5# 0.8# 1.0
Z-score标准化方法
也称为均值归一化(mean normaliztion), 给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。经过处理的数据符合标准正态分布,即均值为0,标准差为1。转化函数为:
其中
import numpy as nparr = np.asarray([0, 10, 50, 80, 100])for x in arr: x = float(x - arr.mean())/arr.std() print x# output# -1.24101045599# -0.982466610991# 0.0517087689995# 0.827340303992# 1.34442799399
1 0
- 数据归一化及两种常用归一化方法
- 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
- 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
- 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
- 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
- 数据归一化和两种常用的归一化方法
- 靠谱的短网址生成是如何做到的
- [转]Ubuntu 使用手记
- HashSet集合的add()方法的源码
- 华为OJ 初级:句子逆序
- RT-thread内核之进程间通信
- 数据归一化及两种常用归一化方法
- 2016.7.4关于线程的一些问题
- 目前安卓手机的cpu的架构,哪几个比较牛逼?
- tf.nn.max_pool 实例
- RT-thread内核之信号量
- IP首部校验和算法
- 判断俩个区间定时器是否重叠
- 算法之快速排序
- Linux用户和用户组的管理