如何进行特征向量的归一化？
1.定义数据的归一化，即将数据统一映射到[0，1]区间。
2.方法1)最小-最大归一化这种归一化方法也称为偏差归一化，将结果值映射到[0，1]，转换函数如下:应用场景:当涉及距离测量、协方差计算和数据不符合正交正态分布时，可以使用第一种方法或其他归一化方法(不包括Z-score方法)。例如，在图像处理中，RGB图像被转换成灰度图像，并且它们的值被限制在[0，255]的范围内。2)Z-Score标准化法的数据经过处理后符合标准正态分布，即平均值为0，标准差为1，其转换函数为:其中μ为所有样本数据的平均值，σ为所有样本数据的标准差。应用场景:在分类和聚类算法中，当需要距离来度量相似度，或者使用PCA技术降维时，Z-scor:log10(x)，即以10为底的对数转换函数，对应的归一化方法为:xlog10(x)/log10(max)，其中max代表样本数据的最大值。并且所有样本数据应大于或等于反正切函数变换法。反正切函数可以用来归一化数据，即xatan(x)*(2/pi)。需要注意的是，如果要映射的区间是[0，1]，那么数据应该大于等于0，小于0的数据将被映射到[-1，0]区间。L2范数归一化方法L2范数归一化是指特征向量中的每个元素除以向量。
3.角色那么我们为什么要标准化数据呢？举个例子:假设是预测房价的例子，自变量是面积，房间数是两个，因变量是房价。那么我们可以得到公式如下:YYθ1xθ2xθ_1x_1xθ_2x_2θ。我们给出两个图来表示寻找数据是否均匀化的最优解的过程:非归一化:归一化后:我们在寻找最优解，也就是在使损失函数值最小的θ1和θ2中。上面两个图代表了损失函数的等高线。可以看出，数据归一化后，最优解的优化过程会明显变得平滑，更容易正确收敛到最优解。
4.总结简而言之，归一化的目的是将预处理后的数据限制在一定的范围内(如[0，1]或[-1，1])，从而消除奇异样本数据带来的不利影响。当然，如果没有奇异样本数据，则可能不执行归一化。
数据处理方法？
常用数据处理方法
有时候更多的数据处理是从语言的角度调用不同的API来处理数据。但是从商业的角度来说，我很少去想。最近从业务角度了解了常用的数据处理方法，总结如下:
标准化:标准化是数据预处理的一种，目的是去除维度或方差对分析结果的影响。功能:1。消除样本尺寸的影响；2.消除样本方差的影响。主要用于数据预处理。
归一化:对每个独立样本进行缩放，使样本具有一个单位LP范数。