标准化和归一化的区别,最小最大标准化

标准化和归一化的区别,最小最大标准化

归一化可以提高模型收敛速度、解决梯度消失问题和提高模型的精度。而标准化可以减少数据偏差，使同一特征的不同取值不会对模型造成过大的影响。总之，归一化和标准化都是为了标准化：将数据所防伪均值是0,方差为1的状态，公式如下：归一化和标准化的具体区别：1.归一化是将样本的特征值转换到同一量纲下把数据映射到[0,1]或者[-1, 1]区

(＊?↓˙＊) Scaling to unit length: 所以，在机器学习里，把数据变为正态分布是标准化，把数据的范围缩放到[0,1]是归一化。从sklearn的preprocessing上：在preprocessing里数据的标准化(normalization)是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的

区别和⽤途　　归⼀化和标准化虽然都是在保持数据分布不变的情况下（为什么能够保持数据的分布不变？因为两者本质上都只是对数据进⾏线性变化），对数据进⾏处理，但是从公在这种情况下，标准化比归一化更有利。如果您在数据中看到一个曲线，那么标准化是更可取的。为此，您将必须绘制数据。如果您的数据集具有极高或极低的值（离群值），则标准化是更可

2. 归一化模型算法里面有没关于对距离的衡量，没有关于对变量间标准差的衡量。好比decision tree 决策树，他采用算法里面没有涉及到任何和距离等有关的，因此在"标准化"和"归一化"这两个中文词要指代四种feature scaling(特征缩放)方法rescaling mean normalization standardization scaling to unit length 懒得写了，

˙ω˙ 简单来说，标准化是依照特征矩阵的列处理数据，其通过求z-score的方法，将样本的特征值转换到同一量纲下。归一化是归一化和标准化的本质都是缩放和平移，他们的区别直观的说就是归一化的缩放是“拍扁”统一到区间（