特征归一化的必要性

特征归一化

原因

特征数字差值很大的属性会对计算结果产生很大的影响，当我们认为特征是等权重的时候，因为取值范围不同，因此要进行归一化

例子

time	distance	weight
1.2	5000	80
1.6	6000	90
1.0	3000	50

例如我们认为，time，distance，weight三个权重是一样的，在做特征分析的时候会明显发现distance对计算结果的影响是最大的。
因此，使用归一化的方法将数值处理到0~1的范围内

最值归一化方法

\(x_{new}\)=(\(x\)-\(x_{min}\))/(\(x_{max}\)-\(x_{min}\))

cle<-function(df){
    df_new<-(df-min(df))/(max(df)-min(df))
    return df_new
}

均值方差归一化方法

\(x_{\text {scale}}=\frac{x-x_{\text {mean}}}{s}\)

cle<-function(df){
    df_new<-(df-mean(df))/std(df)
    return df_new
}

python中提供了standardscaler类可以直接对np对象进行归一化
可以参考

来源：https://www.cnblogs.com/gaowenxingxing/p/12295207.html