幾種歸一化方法（Normalization Method）python實現

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：

 

 　　　　　　　　　　　　　　　　　　　　

Python實現：

def MaxMinNormalization(x,Max,Min):
    x = (x - Min) / (Max - Min);
    return x

 

找大小的方法直接用np.max()和np.min()就行了，盡量不要用python內建的max()和min()

 

---

 

 

2、Z-score標准化：

這種方法給予原始數據的均值（mean）和標准差（standard deviation）進行數據的標准化。經過處理的數據符合標准正態分布，即均值為0，標准差為1，這里的關鍵在於復合標准正態分布，個人認為在一定程度上改變了特征的分布，關於使用經驗上歡迎討論，我對這種標准化不是非常地熟悉，轉化函數為：

 

　　　　　　　　　　　　　　　　　　　　 

Python實現：

def Z_ScoreNormalization(x,mu,sigma):
    x = (x - mu) / sigma;
    return x

 

 

這里一樣，mu（即均值）用np.average()，sigma（即標准差）用np.std()即可

 

---

 

 

3、Sigmoid函數：

Sigmoid函數是一個具有S形曲線的函數，是良好的閾值函數，在(0, 0.5)處中心對稱，在(0, 0.5)附近有比較大的斜率，而當數據趨向於正無窮和負無窮的時候，映射出來的值就會無限趨向於1和0，是個人非常喜歡的“歸一化方法”，之所以打引號是因為我覺得Sigmoid函數在閾值分割上也有很不錯的表現，根據公式的改變，就可以改變分割閾值，這里作為歸一化方法，我們只考慮(0, 0.5)作為分割閾值的點的情況：

                                  　　　　　　　　　　　　　　　　　　　

 Python實現：

 

def sigmoid(X,useStatus):
    if useStatus:
        return 1.0 / (1 + np.exp(-float(X)));
    else:
        return float(X)

 

 

這里useStatus管理是否使用sigmoid的狀態，方便調試使用。