如何進行特征向量的歸一化？

1.定義數據的歸一化，即將數據統一映射到[0，1]區間。

2.方法1)最小-最大歸一化這種歸一化方法也稱為偏差歸一化，將結果值映射到[0，1]，轉換函數如下:應用場景:當涉及距離測量、協方差計算和數據不符合正交正態分布時，可以使用第一種方法或其他歸一化方法(不包括Z-score方法)。例如，在圖像處理中，RGB圖像被轉換成灰度圖像，并且它們的值被限制在[0，255]的范圍內。2)Z-Score標準化法的數據經過處理后符合標準正態分布，即平均值為0，標準差為1，其轉換函數為:其中μ為所有樣本數據的平均值，σ為所有樣本數據的標準差。應用場景:在分類和聚類算法中，當需要距離來度量相似度，或者使用PCA技術降維時，Z-scor:log10(x)，即以10為底的對數轉換函數，對應的歸一化方法為:xlog10(x)/log10(max)，其中max代表樣本數據的最大值。并且所有樣本數據應大于或等于反正切函數變換法。反正切函數可以用來歸一化數據，即xatan(x)*(2/pi)。需要注意的是，如果要映射的區間是[0，1]，那么數據應該大于等于0，小于0的數據將被映射到[-1，0]區間。L2范數歸一化方法L2范數歸一化是指特征向量中的每個元素除以向量。

3.角色那么我們為什么要標準化數據呢？舉個例子:假設是預測房價的例子，自變量是面積，房間數是兩個，因變量是房價。那么我們可以得到公式如下:YYθ1xθ2xθ_1x_1xθ_2x_2θ。我們給出兩個圖來表示尋找數據是否均勻化的最優解的過程:非歸一化:歸一化后:我們在尋找最優解，也就是在使損失函數值最小的θ1和θ2中。上面兩個圖代表了損失函數的等高線。可以看出，數據歸一化后，最優解的優化過程會明顯變得平滑，更容易正確收斂到最優解。

4.總結簡而言之，歸一化的目的是將預處理后的數據限制在一定的范圍內(如[0，1]或[-1，1])，從而消除奇異樣本數據帶來的不利影響。當然，如果沒有奇異樣本數據，則可能不執行歸一化。

數據處理方法？

常用數據處理方法

有時候更多的數據處理是從語言的角度調用不同的API來處理數據。但是從商業的角度來說，我很少去想。最近從業務角度了解了常用的數據處理方法，總結如下:

標準化:標準化是數據預處理的一種，目的是去除維度或方差對分析結果的影響。功能:1。消除樣本尺寸的影響；2.消除樣本方差的影響。主要用于數據預處理。

歸一化:對每個獨立樣本進行縮放，使樣本具有一個單位LP范數。