真别再纠结标准化还是归一化了

很多博客把他们搞混。毕竟字典也是把他们放一起了。

既然搞混，那混在一起看好了

在我看来他们其实都是对feature value做了变化就是了。纠结那么多概念的问题也没什么意义。

有些是不变化原数据分布的

其实均值方差变了那分布肯定就变了。我这里“不改变原数据分布”的意思是概率密度函数的形状不变。

1. $x_i=\frac {x_i-\mu} {\sigma}$xi​=σxi​−μ​
   这个改得挺好，把原分布映射到均值为0方差为1的分布上。额外提一句，即便是均值0标准差1也不非得是标准正态分布，有很多博客乱写

下面的方法应用后原数据分布的概率密度函数形状仍然不变，只不过不一定是标准的0均值1标准差的分布而已。

2. $x_i=\frac{x_i-x_{min}}{x_{max}-x_{min}}$xi​=xmax​−xmin​xi​−xmin​​

3. $x_i=\frac{x_i-\mu}{x_{max}-x_{min}}$xi​=xmax​−xmin​xi​−μ​

有些会改变分布：

4. $x_i=log(x_i)$xi​=log(xi​)
5. $x_i=\frac{atan(x_i)*2} \pi$xi​=πatan(xi​)∗2​

还有很多变换方法，依据情况选择变换方法就是了。
另外并不是所有机器学习算法都需要归一或者标准化。看其原理就行了，不必多说。