[人工智能]数据归一化的三种方法

1. min-max归一化
   
   python示例：

   from sklearn import preprocessing
   
   X=[
       [1,2,3],
       [2,2,1],
       [3,4,5]]
   #按照列对数据进行归一化
   min_max_scaler = preprocessing.MinMaxScaler()
   X = min_max_scaler.fit_transform(X)
   print(X)
   

   运行结果：
   

2. Z-score
   归一化后的数据服从正态分布
   python示例：

   from sklearn import preprocessing
   #每一行表示一个样本，每一列表示一个属性
   X=[
       [1,2,3],
       [2,2,1],
       [3,4,5]]
   #按照列对数据进行归一化
   X=preprocessing.scale(X)
   print(X)
   

   运行结果：
   

3. 小数定标法
   通过移动属性A的小数点进行规范化，小数点的移动依赖于A的最大绝对值：
   

   例：假定A的取值范围为[-691,14],则A的最大绝对值为691，每个值除以1000（j=3),-691就被规范化为-0.691，14被规范化为0.014

   python 示例：

   import numpy as np
   
   X=[
       [1,2,3],
       [2,2,1],
       [3,4,5]]
   X=np.array(X)
   #按照列对数据进行归一化
   j=np.ceil(np.log10(np.max(abs(X))))
   X = X/(10**j)
   print(X)
   

   运行结果：