蒙砂膏
数据规范化
数据规范化(归⼀化)处理是数据挖掘的⼀项基础⼯作。不同评价指标往往具有不同的量纲,数值见的差别可能很⼤,不进⾏处理可能会影响到数据分析的结果。为了消除指标之间的量纲和取值范围差异的影响,需要进⾏标准化处理,将数据按照⽐例进⾏缩放,使之落⼊⼀个特定的区域,便于进⾏综合分析。如将⼯资收⼊属性值映射到[-1, 1]或者[0, 1]内。 谐振隧穿器件
数据规范化对于基于距离的挖掘算法尤为重要。
(1)最⼩-最⼤规范化
最⼩-最⼤规范化也称为离散标准化,是对原始数据的线性变换,将数据值映射到[0, 1]之间。
自动喷香机
转换公式如下:
离差标准化保留了原来数据中存在的关系,是消除量纲和数据取值范围影响的最简单⽅法。这种处理⽅法的缺点是若数值集中且某个数值很⼤,则规范化后各值接近于0,并且将会相差不⼤。(如 1, 1.2, 1.3, 1.4, 1.5, 1.6,8.4)这组数据。若将来遇到超过⽬前属性[min, max]取值范围的时候,会引起系统报错,需要重新确定min和max。
钛雷>压电陶瓷换能器
零-均值规范化也称标准差标准化,经过处理的数据的均值为0,标准差为1。转化公式为:
其中为原始数据的均值,为原始数据的标准差,是当前⽤得最多的数据标准化⽅式。标准差分数可以回答这样⼀个问题:"给定数据距离其均值多少个标准差"的问题,在均值之上的数据会得到⼀个正的标准化分数,反之会得到⼀个负的标准化分数。
(3)⼩数定标规范化
通过移动属性值的⼩数位数,将属性值映射到[-1, 1]之间,移动的⼩数位数取决于属性值绝对值的最⼤值。转化公式为:
代码的实现地址为:光纤调整架