哪些数据需要归一化处理

❶ 数据的归一化处理

是的，把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。

归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。

1、（0,1)标准化：

这是最简单也是最容易想到的方法，通过遍历feature vector里的每一个数据，将Max和Min的记录下来，并通过Max-Min作为基数（即Min=0，Max=1）进行数据的归一化处理：

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

Python实现：

❷ 数据预处理之数据归一化

数据预处理之数据归一化
一、简单缩放
分为：最大值缩放和均值缩放
在简单缩放中，我们的目的是通过对数据的每一个维度的值进行重新调节（这些维度可能是相互独立的），使得最终的数据向量落在[0,1]或[? 1,1]的区间内（根据数据情况而定）。
例子:在处理自然图像时，我们获得的像素值在[0,255]区间中，常用的处理是将这些像素值除以255，使它们缩放到[0,1]中。
二、逐样本均值消减(也称为移除直流分量)
如果你的数据是平稳的（即数据每一个维度的统计都服从相同分布），那么你可以考虑在每个样本上减去数据的统计平均值(逐样本计算)。
例子：对于图像，这种归一化可以移除图像的平均亮度值(intensity)。很多情况下我们对图像的照度并不感兴趣，而更多地关注其内容，这时对每个数据点移除像素的均值是有意义的。
注意：虽然该方法广泛地应用于图像，但在处理彩色图像时需要格外小心，具体来说，是因为不同色彩通道中的像素并不都存在平稳特性。
例如
Caffe demo 里头的 classification_demo.m脚本文件中对原始数据有这样的处理
im_data = im_data - mean_data;
三、特征标准化(使数据集中所有特征都具有零均值和单位方差)
特征标准化的具体做法是：首先计算每一个维度上数据的均值（使用全体数据计算），之后在每一个维度上都减
去该均值。下一步便是在数据的每一维度上除以该维度上数据的标准差。
简单的说就是：减去原始数据的均值再除以原始数据的标准差
例子
x= [ones(m, 1), x];
%x包括2个特征值和1个偏置项，所以矩阵x的规模是 x:[mX3]
sigma= std(x);%X的标准差；mu= mean(x);%X的均值；x(:,2)= (x(:,2) - mu(2))./ sigma(2);x(:,3)= (x(:,3) - mu(3))./ sigma(3);