在機器學習中領域中的數據分析之前，通常需要將數據標準化，利用標準化後得數據進行數據分析。不同評價指標往
往具有不同的量綱和量綱單位，這樣的情況會影響到數據分析的結果，爲了消除指標之間的量綱影響，需要進行數據
標準化處理，以解決數據指標之間的可比性。原始數據經過數據標準化處理後，各指標處於同一數量級，適合進行綜
合對比評價。
Contents
1. 歸一化的定義
2. 常用歸一化方法
1. 歸一化的定義
歸一化用一句話說就是：把數據經過處理後使之限定在一定的範圍內。比如通常限制在區間[0, 1]或者[-1, 1]
等等。那麼爲什麼要進行歸一化呢？ 那麼首先要說到一個重要的概念，即奇異樣本數據。所謂奇異樣本數據數據
指的是相對於其他輸入樣本特別大或特別小的樣本矢量。舉個例子，比如下面的兩個特徵樣本數據
上面第五列的數據相對於其它的列的數據就是奇異樣本數據，奇異樣本數據的存在會引起訓練時間增大，並可能引
起無法收斂。所以在存在奇異樣本數據的情況下，進行訓練之前最好進行歸一化，如果不存在奇異樣本數據，則可
以不用歸一化。
2. 常用歸一化方法
常用歸一化方法有最大-最小標準化，Z-score標準化，函數轉化等等。
（1）最大-最小標準化
最大-最小標準化是對原始數據進行線性變換，設
和
分別是屬性
的最小值和最大值，將
的
一個原始值
通過最大-最小標準化映射到區間[0,
1]的值
，那麼公式如下
（2）Z-score標準化
Z-score標準化是基於原始數據的均值和標準差進行的數據標準化。將屬性
的原始數據
通過Z-score標
準化成
。Z-score標準化適用於屬性
的最大值或者最小值未知的情況，或有超出取值範圍的離散數據的
情況。
其中
爲均值，
爲標準差。
Z-score標準化得到的結果是所有數據都聚集在0附近，方差爲1。
還有一些歸一化方法，如對數函數轉換，反餘切函數轉換等方法用的不多，暫時就不講了。