數(shù)據(jù)歸一化怎么處理？

歸一化是為了加快訓(xùn)練網(wǎng)絡(luò)的收斂性，可以不進(jìn)行歸一化處理

創(chuàng)新互聯(lián)專注于酒泉網(wǎng)站建設(shè)服務(wù)及定制，我們擁有豐富的企業(yè)做網(wǎng)站經(jīng)驗(yàn)。 熱誠(chéng)為您提供酒泉營(yíng)銷型網(wǎng)站建設(shè)，酒泉網(wǎng)站制作、酒泉網(wǎng)頁(yè)設(shè)計(jì)、酒泉網(wǎng)站官網(wǎng)定制、微信小程序定制開發(fā)服務(wù)，打造酒泉網(wǎng)絡(luò)公司原創(chuàng)品牌,更為您提供酒泉網(wǎng)站排名全網(wǎng)營(yíng)銷落地服務(wù)。

歸一化的具體作用是歸納統(tǒng)一樣本的統(tǒng)計(jì)分布性。歸一化在0-1之間是統(tǒng)計(jì)的概率分布，歸一化在-1--+1之間是統(tǒng)計(jì)的坐標(biāo)分布。歸一化有同一、統(tǒng)一和合一的意思。無論是為了建模還是為了計(jì)算，首先基本度量單位要同一，神經(jīng)網(wǎng)絡(luò)是以樣本在事件中的統(tǒng)計(jì)分別幾率來進(jìn)行訓(xùn)練(概率計(jì)算)和預(yù)測(cè)的，歸一化是同一在0-1之間的統(tǒng)計(jì)概率分布;SVM是以降維后線性劃分距離來分類和仿真的，因此時(shí)空降維歸一化是統(tǒng)一在-1--+1之間的統(tǒng)計(jì)坐標(biāo)分布。

當(dāng)所有樣本的輸入信號(hào)都為正值時(shí)，與第一隱含層神經(jīng)元相連的權(quán)值只能同時(shí)增加或減小，從而導(dǎo)致學(xué)習(xí)速度很慢。為了避免出現(xiàn)這種情況，加快網(wǎng)絡(luò)學(xué)習(xí)速度，可以對(duì)輸入信號(hào)進(jìn)行歸一化，使得所有樣本的輸入信號(hào)其均值接近于0或與其均方差相比很小。

歸一化是因?yàn)閟igmoid函數(shù)的取值是0到1之間的，網(wǎng)絡(luò)最后一個(gè)節(jié)點(diǎn)的輸出也是如此，所以經(jīng)常要對(duì)樣本的輸出歸一化處理。所以這樣做分類的問題時(shí)用[0.9 0.1 0.1]就要比用要好。

但是歸一化處理并不總是合適的，根據(jù)輸出值的分布情況，標(biāo)準(zhǔn)化等其它統(tǒng)計(jì)變換方法有時(shí)可能更好。

JAVA實(shí)現(xiàn)歸一化問題

最后一個(gè)數(shù)不用除法，改用減法，從總量中減去已知的數(shù)字

0.337

0.330

0.334

變成

0.337

0.330

0.333

hits算法：在網(wǎng)上找了幾個(gè)關(guān)于hits的java實(shí)現(xiàn)算法，算法的輸入都是一個(gè)方陣，請(qǐng)問不是方陣的如何實(shí)現(xiàn)

k相當(dāng)于你用來記錄每次運(yùn)算的進(jìn)度的，k不斷的增長(zhǎng)的過程，就是假設(shè)你用手算一個(gè)一個(gè)運(yùn)算的過程。你寫兩個(gè)矩陣A是3*3的，B是3*3的，兩個(gè)矩陣相乘，你看看是不是你手算的過程和這個(gè)程序的步驟是一致的。如果不是方陣假設(shè)A是2*3.B是3*2那么k還是原來的東西。只不過，2用i來循環(huán)，3用j來循環(huán)，for (int i = 0; i len; i++)中的len=2. for (int j = 0; j len; j++)中的len=3而已了。k=2因?yàn)镃=A*B是2*2的。不明白你再問O(∩_∩)O

數(shù)據(jù)的歸一化處理

是的，把需要處理的數(shù)據(jù)經(jīng)過處理后（通過某種算法）限制在你需要的一定范圍內(nèi)。首先歸一化是為了后面數(shù)據(jù)處理的方便，其次是保證程序運(yùn)行時(shí)收斂加快。

歸一化的具體作用是歸納統(tǒng)一樣本的統(tǒng)計(jì)分布性。歸一化在0-1之間是統(tǒng)計(jì)的概率分布，歸一化在某個(gè)區(qū)間上是統(tǒng)計(jì)的坐標(biāo)分布。歸一化有同一、統(tǒng)一和合一的意思。

1、（0,1)標(biāo)準(zhǔn)化：

這是最簡(jiǎn)單也是最容易想到的方法，通過遍歷feature vector里的每一個(gè)數(shù)據(jù)，將Max和Min的記錄下來，并通過Max-Min作為基數(shù)（即Min=0，Max=1）進(jìn)行數(shù)據(jù)的歸一化處理：

LaTex：｛x}_{normalization}=\frac{x-Min}{Max-Min}

Python實(shí)現(xiàn)：

2、Z-score標(biāo)準(zhǔn)化：

這種方法給予原始數(shù)據(jù)的均值（mean）和標(biāo)準(zhǔn)差（standard deviation）進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化。經(jīng)過處理的數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布，即均值為0，標(biāo)準(zhǔn)差為1，這里的關(guān)鍵在于復(fù)合標(biāo)準(zhǔn)正態(tài)分布，個(gè)人認(rèn)為在一定程度上改變了特征的分布，關(guān)于使用經(jīng)驗(yàn)上歡迎討論，我對(duì)這種標(biāo)準(zhǔn)化不是非常地熟悉。

數(shù)據(jù)歸一化

為了減少訓(xùn)練過程中網(wǎng)絡(luò)權(quán)值的調(diào)整幅度，消除原始數(shù)據(jù)值的大小對(duì)網(wǎng)絡(luò)學(xué)習(xí)過程的影響，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。利用mapminmax（ ）函數(shù)對(duì)待仿真數(shù)據(jù)S和訓(xùn)練數(shù)據(jù)P進(jìn)行歸一化處理（歸一化到［－1，1］），得到輸出數(shù)據(jù)sn和pn，sn的部分?jǐn)?shù)據(jù)如表9.1所示，pn如表9.2所示。

表9.1 歸一化后sn部分?jǐn)?shù)據(jù)

續(xù)表

表9.2 P歸一化后的數(shù)據(jù)（pn）