個(gè)人理解這里的規(guī)范化處理指對(duì)提取后的特征集進(jìn)行處理，不是對(duì)原始的數(shù)據(jù)信號(hào)進(jìn)行處理，包括 歸一化 和 標(biāo)準(zhǔn)化。

規(guī)范化的原因： 不同特征具有不同量級(jí)時(shí)會(huì)導(dǎo)致：a.數(shù)量級(jí)的差異將導(dǎo)致量級(jí)較大的特征占據(jù)主導(dǎo)地位；b.數(shù)量級(jí)的差異將導(dǎo)致迭代收斂速度減慢；c.依賴于樣本距離的算法對(duì)于數(shù)據(jù)的數(shù)量級(jí)非常敏感。

歸一化： ，也就是原數(shù)據(jù)減去該特征列最小值，再除以該特征列的極差，將屬性縮放到[0,1]之間。

標(biāo)準(zhǔn)化： ,也就是原數(shù)據(jù)減去該特征列的均值，再除以該特征列的標(biāo)準(zhǔn)差。

注意：

1.所謂規(guī)范化是對(duì)特征列的規(guī)范化，不是對(duì)樣本的特征向量規(guī)范化（如將一個(gè)人身高、年齡、體重等屬性規(guī)范化沒有意義）；

2.應(yīng)將訓(xùn)練集和測(cè)試集分開后再規(guī)范化處理，測(cè)試集使用的是訓(xùn)練集保留下的參數(shù)（歸一化的max、min，標(biāo)準(zhǔn)化的mean、std），也就是訓(xùn)練集規(guī)范化時(shí)使用自己的最大值最小值、均值方差，測(cè)試集規(guī)范化計(jì)算時(shí)仍使用訓(xùn)練集的最大值最小值、均值方差。

【例】

訓(xùn)練集兩個(gè)樣本，含三個(gè)特征， ，測(cè)試集也是兩個(gè)樣本，三個(gè)特征， 。

歸一化： 由訓(xùn)練集得到參數(shù) min=(1,2,3)，max=(2,3,4)，則

?訓(xùn)練集第一維特征的第一個(gè)數(shù)據(jù)1的計(jì)算為 ，測(cè)試集第二維特征的第一個(gè)數(shù)據(jù)1的計(jì)算為 .

標(biāo)準(zhǔn)化： 由訓(xùn)練集得到參數(shù) mean=(3/2, 5/2, 7/2), std=(1/2, 1/2, 1/2)，則

訓(xùn)練集第一維特征的第一個(gè)數(shù)據(jù)1的計(jì)算為 ,測(cè)試集第二維特征的第一個(gè)數(shù)據(jù)1的計(jì)算為 .

?

python實(shí)現(xiàn)：

可由 sklearn.preprocessing.MinMaxScaler 和 sklearn.preprocessing.StandardScaler 實(shí)現(xiàn)，訓(xùn)練集使用函數(shù) fit_transform（）,測(cè)試集使用函數(shù)?transform（）。示例如下：

            
              import numpy as np
from sklearn.preprocessing import MinMaxScaler   #歸一化：最值
from sklearn.preprocessing import StandardScaler #標(biāo)準(zhǔn)化：均值方差

#訓(xùn)練集，兩行三列，兩個(gè)樣本、三個(gè)特征
x_train = np.array([[1.0,2.0,3.0],
                   [2.0,3.0,4.0]])

#測(cè)試集，兩行三列，兩個(gè)樣本、三個(gè)特征
x_test = np.array([[1.0,1.0,1.0],
                   [2.0,2.0,2.0]])

# 特征縮放：歸一化
mms = MinMaxScaler()
x_train_norm = mms.fit_transform(x_train)
x_test_norm = mms.transform(x_test)
print('\n歸一化：\n')
print('x_train_norm:\n',x_train_norm)
print('\nx_test_norm:\n',x_test_norm, "\n")

# 特征縮放：標(biāo)準(zhǔn)化
stdsc = StandardScaler()
x_train_std = stdsc.fit_transform(x_train)
x_test_std = stdsc.transform(x_test)
print('\n標(biāo)準(zhǔn)化：\n')
print('x_train_std:\n',x_train_std)
print('x_test_std:\n',x_test_std)
            
          

運(yùn)行結(jié)果：

? ? ? ? ? ? ? ? ??

參考

1.https://blog.csdn.net/zwqjoy/article/details/81182102

2.https://www.cnblogs.com/dearL/p/9532288.html

3.https://blog.csdn.net/anecdotegyb/article/details/74857055

4.https://www.cnblogs.com/dan-baishucaizi/p/9107858.html