归一化与标准化

最新推荐文章于 2025-05-13 23:14:44 发布
原创 最新推荐文章于 2025-05-13 23:14:44 发布 · 2.5k 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

归一化和标准化是数据预处理的重要步骤，用于调整特征的尺度。归一化将数据缩放至0-1区间，而标准化则使数据服从均值为0、方差为1的标准正态分布。标准化有利于保持样本间距，适合梯度下降求解的模型如线性回归。某些模型如决策树对特征尺度不敏感，不需要标准化。在使用梯度下降的算法中，如KNN、k-means，标准化是必要的。了解何时进行数据标准化对提升模型性能至关重要。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

归一化： 将某一列特征的值缩放到0到1之间
x − m i n m a x − m i n \frac{x-min}{max-min} max−min

最低0.47元/天 解锁文章

200万优质内容无限畅学
归一化方法
Jiashilin
05-04 3742
两种常用的归一化方法： （1）min-max标准化 （2）Z-score标准化方法 1.min-max标准化（Min-Max Normalization）（线性函数归一化） 定义：也称为离差标准化，是对原始数据的线性变换，使得结果映射到0-1之间。 本质：把数变为【0,1】之间的小数。 转换函数：（X-Min）/(Max-Min) 如果想要将数据映射到-1,1，则将公式换成：（X-Mean...
熵值TOPSIS
王樰沫
12-11 7515
熵值TOPSIS第一步，采用熵值法确定权重。（一）数据归一化处理（二）计算信息熵（三）计算效用价值（四）计算熵权第二步，结合TOPSIS进行综合加权。（一）指标同质化（二）规范化矩阵（三）最优、最劣列值（四）最优、最劣距离（五）综合得分 最近闲来无事，想起之前发了熵值法和TOPSIS法的python代码，但是熵值法和TOPSIS法结合又是怎样的呢？小编接下来将为大家讲述熵值TOPSIS的步骤，具体代码大家自行编制吧。哈哈哈。 其中 ， 表示第 i 个样本第 j 项评价指标的数值。 对于某项指标​
sklearn标准化,归一化 python熵权法的实现
rglkt的博客
07-26 3334
补一下上次文章的坑,有关标准化和归一化的问题. 标准化:(X-E(x))/D(x) 归一化: (X-min)/(max-min) 两个的具体差别我的感受不是特别深刻,用的比较多的是归一化. from sklearn.preprocessing import MinMaxScaler mm = MinMaxScaler() mm_data = mm.fit_transform(X) origin_data = mm.inverse_transform(mm_data) X=mm_data from skle
归一化、标准化、单位化方法的总结
易大飞
07-20 1万+
无论传统图像处理，还是深度学习，我们经常会听说存在L1 normalization，L2 normalization，那么这些归一化是什么呢？在统计学习中，归一化的具体作用是归纳归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。即该函数在（负无穷，正无穷）的积分为1。 下图为pytorch官网normalize的定义和实现方程 从公式中可以看出这是一个Lp normalize，p表示1,2，...，n。sigma是一个极小的小数，为了防止分母为
机器学习07-归一化与标准化
最新发布
2301_81230251的博客
05-13 910
选择依据如果数据的量纲不同，且数值范围差异较大，可以选择归一化。如果数据服从正态分布或近似正态分布，且模型对数据分布有特定要求，可以选择标准化。对于基于距离的模型，如KNN、K-Means等，归一化通常更合适；对于基于梯度下降的优化算法，如线性回归、逻辑回归等，标准化通常更有效。注意事项在进行归一化或标准化时，需要保存归一化或标准化的参数（如最小值、最大值、均值、标准差等），以便在对新数据进行预处理时使用相同的参数。
熵值法确定权重算法及Matlab实现
Mo181111的博客
03-02 4246
一、基本原理 在信息论中，熵是对不确定性的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。 根据熵的特性，可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响（权重）越大，其熵值越小。 二、熵值法步骤 1. 选取n个国家，m个指标，则为第i个国家的第j个指标...
熵值法
热门推荐
fsfsfsdfsdfdr的博客
10-27 7万+
一、基本原理 在信息论中，熵是对不确定性的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。 根据熵的特性，可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响（权重）越大，其熵值越小。 在信息论中，熵是对不确定性信息的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，...
概率分布的熵归一化（Entropy Normalization）
Paper weekly
01-03 3532
©PaperWeekly 原创 ·作者 | 苏剑林单位 | 追一科技研究方向 | NLP、神经网络在上一篇文章《从熵不变性看 Attention 的 Scale 操作》中，我们从熵不变性...
【知识分享】归一化与标准化
qq_48185833的博客
03-30 469
分享有关数据预处理知识--归一化和标准化的相关知识
掌握数据归一化与标准化的技巧及应用
归一化与标准化是数据预处理的重要环节，它们在机器学习、数据分析、统计学以及多种数据密集型领域中得到广泛应用。本知识点将深入解析归一化和标准化的概念、方法及应用场景。 ### 归一化 归一化（Normalization...
java 数据归一化,数据变换-归一化与标准化
weixin_30045597的博客
03-20 2212
一般在机器学习的模型训练之前，有一个比较重要的步骤是数据变换。因为，一般情况下，原始数据的各个特征的值并不在一个统一的范围内，这样数据之间就没有可比性。数据变换的目的是将不同渠道，不同量级的数据转化到统一的范围之内，方便后续的分析处理。数据变换的方法有很多，比如数据平滑，数据聚集，数据概化，数据规范化和属性构造等。本篇文章主要介绍数据规范化，这是一种比较常用，也比较简单的方法。数据规范化是使属性数...
评价类问题——熵权法
qq_48345413的博客
07-14 3516
熵权法 文章目录熵权法前言一、理论二、算法步骤例 前言 构建完评价体系后在选择合适的评价方法即可，体系建立应秉持全面、准确、独立的三要素 在评价类问题中，需要兼顾 指标体系 权重 评价方法 通常分为 ①主观：发问卷做调查（容易受到样本个数、样本质量限制）， 找专家赋权（上网查找别的研究报告）等等。 层次分析法（判断矩阵基本上是由个人进行填写） ②客观量化：从数据入手进行赋权 只从数据出发，不考虑问题的实际背景，确定权重时就可能出现与常识相悖的情况。因此其适用于主观因素影响不大时的评价场景，业务经验不会使
熵值法原理、应用及其Python实现
ziyin_2013的博客
05-22 3万+
熵值法是一种依据各指标值所包含的信息量的多少确定指标权重的客观赋权法，某个指标的熵越小，说明该指标值的变异程度越大，提供的信息量也就越多，在综合评价中起的作用越大，则该指标的权重也应越大。熵值法可单独进行综合评价；也可以与其他方法相结合，如层次分析法，用熵值法确定各指标的权重，然后运用层次分析法得到各个评价对象的综合得分。
归一化和标准化
每一个不曾起舞的日子，都是对人生的辜负。
08-10 1621
归一化：数据平移缩放到0~1，去除量纲，但是对异常点比较敏感 标准化：数据平移缩放到01正态分布，将集中分布的数据打散 其他可选数据处理方式： 缩放到均值为0，方差为1（Standardization——StandardScaler()） 缩放到0和1之间（Standardization——MinMaxScaler()） 缩放到-1和1之间（Standardization——MaxAbsScaler()） 缩放到0和1之间，保留原始数据的分布（Normalization——Normalizer()）
熵值法的原理及python实现(处理excel数据)
weixin_53677354的博客
10-07 2048
它的基本原理是通过计算每个指标的信息熵，衡量该指标在不同样本中的差异程度。信息熵越小，说明该指标在样本间差异越大，包含的信息越多，因此该指标的权重越大；其中，Hj​ 为第 j个指标的信息熵，m 是样本数量，且当 Pij=0 时，定义。其中，Pij​ 表示第 j 个指标的第i个样本的比重值。其中，Wj是第 jjj 个指标的权重，n 是指标的总数。中包含了每个指标的熵值，并在最后一行输出了每个指标的权重。冗余度是信息熵的补数，反映了指标的有效信息。其中，Xij是第j个指标的第i个样本数据，
熵权法的步骤原理浅解
weixin_44598996的博客
09-27 1万+
熵权法原理浅析熵权法的计算步骤第一步：判断输入的矩阵中是否存在负数，如果有则要重新标准化到非负区间第二步：计算第j项指标下第i个样本所占的比重，并将其看作相对熵计算中用到的概率第三步：计算每个指标的信息熵，并计算信息效用值，并归一化得到每个指标的熵权熵权法的一些讨论代码 层次分析法最大的缺点就是判断矩阵的确定依赖于专家，如果专家的判断存在主观性的话，会对结果产生很大的影响，而熵权法是一种客观赋权的方法，依据的原理是指标的变异程度越小，所反映的信息量也越少，其对应的权值也应该越低。(这里的客观指的是数据本身可
对熵值法的理解
amy_diary的博客
12-15 1万+
 信息量越大，不确定性越小，熵值越小，权重越大。 信息量越小，不确定性越大，熵值越大，权重越小。 举个栗子： A要发送一个数字1给B。 若不受干扰信息的分布式是： 0%变为0，100%为1，0%为2 ：计算：-sum(p_i*ln(p_i))=0 发送途中受到干扰，此时1产生了变化。 20%可能变为0；50%为1；30%为2:计算：-sum(p_i*ln(p_i))>0 此时
建模笔记——熵值法&熵权法（python）
枠成
08-15 4万+
熵值法&熵权法-python实现 时隔老久，重新整理一下笔记。仅供个人自学使用，读者自行参考 Reference： 存了不知道多久的本地文件 司守奎，python数学实验与建模，2020 https://www.zhihu.com/question/357680646/answer/943628631 https://www.jianshu.com/p/638cb1eaec43 https://blog.youkuaiyun.com/mycafe_/article/details/79285762?biz_i
综合评价方法之熵值法
仁义
06-30 4万+
熵值法计算步骤 选取数据 选取mmm个指标，共nnn个样本，则XijX_{ij}Xij​为第iii个样本的第jjj个指标的数值，i=1,2,3,...n;j=1,2,3...m.i=1,2,3,...n;j=1,2,3...m.i=1,2,3,...n;j=1,2,3...m. 数据标准化处理 各项指标的计量单位以及方向不统一的情况下，需要对对数据进行标准化，为了避免求熵值时对数无意义，可以为每个000值加上较小数量级的实数，如0.010.010.01. （1）对于正向指标(越大越好的指标) X′=Xij
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值