数据归一化常见算法

数据归一化的几种方法

1 Min-Max归一化

Min-Max归一化是一种线性的归一化方法。该方法将数据进行一次线性变换，将数据映射到[0,1]区间。Min-Max归一化不改变数据的分布。其缺点为，过度依赖最大最小数，且容易受到离群点、异常数据的影响。其公式为：
x ′ = x − M i n M a x − M i n x^\prime = \frac{ x - Min} {Max - Min} x′=Max−Minx−Min​
其中 x x x是原始数据、 M i n Min Min为数据的最小值、 M a x Max Max为数据的最大值、 x ′ x^\prime x′是变换后的数据。

2 Z-Score归一化

Z-Score归一化将数据尽可能处理成符合正态分布的数据。该方法难以将数据映射到一个固定的区间上。Z-Score归一化的公式为：
x ′ = x − x ‾ S t d x^\prime = \frac{ x - \overline{x}} {Std} x′=Stdx−x​

其中 x x x为原始数据、 x ‾ \overline{x} x为数据的均值、 S t d Std Std为数据的标准差

3 小数标定

通过直接除以一个整数，移动所有数据的小数点，进行数据归一化的方法，称之为小数标定归一化方法。该方法可将数据映射到[-1,1]区间。该方法的公式为：
x ′ = x 1 0 j x^\prime = \frac{x} {10^j} x′=10jx​
其中， j j j为数据绝对值最大数据的位数。

4 Sigmoid

Sigmoid函数的表达式为：
F ( x ) = 1 1 + e − x F(x) = \frac{1} {1+e^{-x}} F(x)=1+e−x1​,其值域为[0,1].将所有数据经过Sigmoid映射以后，可以将数据映射到 [ 0 , 1 ] [0,1] [0,1]区间。该函数图像如图所示：

5 RankGauss归一化

今天刚刚看到的，记录一下

def ScaleRankgauss(x, epsilon=1e-6):     '''rankgauss'''    x = x.argsort().argsort()     #排序    x = (x/x.max()-0.5)*2         #转换尺度到[-1,1]    #调整极端值 把在[-1,1]区间之外的数值截断为-1或1    x = np.clip(x, -1+epsilon, 1-epsilon)    x = erfinv(x)                 #函数映射    return xx = np.random.randint(0, 100, 1000)plt.hist(x)x_rankgauss = ScaleRankgauss(x)plt.hist(x_rankgauss, bins=50)

本文链接：https://www.kjpai.cn/news/2024-04-17/159705.html，文章来源：网络cs，作者：峨乐，版权归作者所有，如需转载请注明来源和作者，否则将追究法律责任！