【KWDB 创作者计划】_深度学习篇---归一化反归一化
文章目录
- 前言
- 一、归一化（Normalization）
- 1. 定义
- 2. 常用方法
- Min-Max归一化
- Z-Score标准化（虽常称“标准化”，但广义属归一化）
- 小数缩放（Decimal Scaling）
- 3. 作用
- 4. 注意事项
- 二、反归一化（Denormalization）
- 1. 定义
- 2.方法
- 3. 应用场景
- 三、Python示例演示
- 四、归一化 vs. 标准化
- 五、常见问题
- 是否需要对所有特征归一化？
- 类别特征如何归一化？
- 时序数据如何归一化？
前言
本文简单介绍了归一化和反归一化。归一化和反归一化是数据预处理中的关键技术，尤其在机器学习和数据挖掘领域广泛应用。通过合理应用归一化和反归一化，能显著提升模型性能并确保结果可解释性。实际应用中需根据数据分布和模型需求选择方法。
一、归一化（Normalization）
1. 定义
归一化是将数据按比例缩放至特定范围（如[0, 1]或[-1, 1]），消除量纲差异，提升模型收敛速度和精度。
2. 常用方法
Min-Max归一化
范围：[0, 1]
适用场景：数据分布无明显边界（如图像像素值）。
Z-Score标准化（虽常称“标准化”，但广义属归一化）
μ为均值，𝜎为标准差
范围：无固定范围，数据均值为0，标准差为1
适用场景：数据存在高斯分布特征。
小数缩放（Decimal Scaling）
k为使最大值绝对值<1的最小整数
适用场景：数据跨度极大时。
3. 作用
- 加速梯度下降收敛
- 防止数值溢出
- 提升模型对特征的敏感性平衡（如SVM、KNN、神经网络）
4. 注意事项
测试数据需使用训练集的
𝑋min 、𝑋max或𝜇、𝜎，避