分类目录：《深入理解机器学习》总目录
归一化 （Normalization）和标准化 （Standardization）都是特征缩放的方法。特征缩放是机器学习预处理数据中最重要的步骤之一，可以加快梯度下降，也可以消除不同量纲之间的差异并提升模型精度。
归一化（Normalization）是将一组数据变换到某个固定区间中。通常，将映射到
[
0
，
1
]
[0，1]
[0，1]区间，而图像中可能会映射到
[
0
,
255
]
[0,255]
[0,255]，其他情况还可能映射到
[
−
1
,
1
]
[-1,1]
[−1,1]。而标准化（Standardization）是在不改变原始的数据分布的情况下，将数据的分布变换为均值为0，标准差为1。所以标准化也可以视为一种特殊的归一化，故我们也称标准化为Z值归一化。
- 标准化（Standardization）/Z值归一化（Z-Score Normalization）： x i ′ = x i − x mean σ ( x ) x_i'=\frac{x_i-x_\text{mean}}{\sigma(x)} xi′=σ(x)xi−xmean
- 最大最小值归一化（Min-Max Normalization）： x i ′ = x i − x min x max − x min x_i'=\frac{x_i-x_\text{min}}{x_\text{max}-x_\text{min}} xi′=xmax−xminxi−xmin
- 均值归一化（Mean Normalization） x i ′ = x i − x mean x max − x min x_i'=\frac{x_i-x_\text{mean}}{x_\text{max}-x_\text{min}} xi′=xmax−xminxi−xmean
本文转载自: https://blog.csdn.net/hy592070616/article/details/130352218
版权归原作者 von Neumann 所有， 如有侵权，请联系我们删除。
版权归原作者 von Neumann 所有， 如有侵权，请联系我们删除。