哪些數據需要歸一化處理

❶ 數據的歸一化處理

是的，把需要處理的數據經過處理後（通過某種演算法）限制在你需要的一定范圍內。首先歸一化是為了後面數據處理的方便，其次是保證程序運行時收斂加快。

歸一化的具體作用是歸納統一樣本的統計分布性。歸一化在0-1之間是統計的概率分布，歸一化在某個區間上是統計的坐標分布。歸一化有同一、統一和合一的意思。

1、（0,1)標准化：

這是最簡單也是最容易想到的方法，通過遍歷feature vector里的每一個數據，將Max和Min的記錄下來，並通過Max-Min作為基數（即Min=0，Max=1）進行數據的歸一化處理：

LaTex：｛x}_{normalization}=frac{x-Min}{Max-Min}

Python實現：

❷ 數據預處理之數據歸一化

數據預處理之數據歸一化
一、簡單縮放
分為：最大值縮放和均值縮放
在簡單縮放中，我們的目的是通過對數據的每一個維度的值進行重新調節（這些維度可能是相互獨立的），使得最終的數據向量落在[0,1]或[? 1,1]的區間內（根據數據情況而定）。
例子:在處理自然圖像時，我們獲得的像素值在[0,255]區間中，常用的處理是將這些像素值除以255，使它們縮放到[0,1]中。
二、逐樣本均值消減(也稱為移除直流分量)
如果你的數據是平穩的（即數據每一個維度的統計都服從相同分布），那麼你可以考慮在每個樣本上減去數據的統計平均值(逐樣本計算)。
例子：對於圖像，這種歸一化可以移除圖像的平均亮度值(intensity)。很多情況下我們對圖像的照度並不感興趣，而更多地關注其內容，這時對每個數據點移除像素的均值是有意義的。
注意：雖然該方法廣泛地應用於圖像，但在處理彩色圖像時需要格外小心，具體來說，是因為不同色彩通道中的像素並不都存在平穩特性。
例如
Caffe demo 里頭的 classification_demo.m腳本文件中對原始數據有這樣的處理
im_data = im_data - mean_data;
三、特徵標准化(使數據集中所有特徵都具有零均值和單位方差)
特徵標准化的具體做法是：首先計算每一個維度上數據的均值（使用全體數據計算），之後在每一個維度上都減
去該均值。下一步便是在數據的每一維度上除以該維度上數據的標准差。
簡單的說就是：減去原始數據的均值再除以原始數據的標准差
例子
x= [ones(m, 1), x];
%x包括2個特徵值和1個偏置項，所以矩陣x的規模是 x:[mX3]
sigma= std(x);%X的標准差；mu= mean(x);%X的均值；x(:,2)= (x(:,2) - mu(2))./ sigma(2);x(:,3)= (x(:,3) - mu(3))./ sigma(3);