机器学习：数据归一化方法

理解一：
一、为什么要进行数据归一化

    原则：样本的所有特征，在特征空间中，对样本的距离产生的影响是同级的；
    问题：特征数字化后，由于取值大小不同，造成特征空间中样本点的距离会被个别特征值所主导，而受其它特征的影响比较小；
    例：特征1 = [1, 3, 2, 6, 5, 7, 9]，特征2 = [1000, 3000, 5000, 2000, 4000, 8000, 3000]，计算两个样本在特征空间的距离时，主要被特征2所决定；
    定义：将所有的数据（具体操作时，对每一组特征数据进行分别处理）映射到同一个尺度中；
    归一化的过程，是算法的一部分；

 
二、数据归一化的方法
1）最值归一化（normalization）

1、思路：把所有数据映射到0~1之间；

2、公式：

# x为数据集中每一种特征的值；

# 将数据集中的每一种特征都做映射；

3、特点：多适用于分布有明显边界的情况；如考试成绩、人的身高、颜色的分布等，都有范围；而不是些没有范围约定，或者范围非常大的数据；

# 明显边界：同一特征的数据大小相差不大；不会出现大部分数据在0~200之间，有个别数据在100000左右；

4、缺点：受outlier影响较大；

 

2）Z-score（standardization）

1、思路：把所有数据归一到均值为0方差为1的分布中；