Matlab implementa la normalización de datos
La normalización de datos es un método importante para transformar diferentes datos en el mismo estándar. Al procesar datos, en muchos casos es necesario normalizarlos para su posterior análisis y comparación. Matlab proporciona muchas funciones prácticas para normalizar datos.
(1) Normalización mín.-máx.
La normalización mínima-máxima también se denomina normalización de dispersión, que es una función lineal que asigna los datos originales entre [0,1].
Fórmula: X_norm = (X - X_min)/(X_max - X_min)
% Utilice la función Matlab para implementar la normalización Min-Max
X = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10];
X_norm = (X - min(X))/(max(X) - mín(X))
(2) Normalización de puntuación Z
La estandarización de la puntuación Z, también conocida como estandarización de la desviación estándar, es una función lineal que transforma datos sin procesar en una distribución con una media de 0 y una desviación estándar de 1.
Fórmula: X_norm = (X - mu)/sigma
% Utilice la función Matlab para implementar la normalización de puntuación Z
X = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10];
X_norm = zscore(X)
(3) Normalización de escala decimal
La normalización de escala decimal es una función no lineal que utiliza una escala proporcional para reducir o expandir los datos de modo que todos los datos se encuentren entre [-1,1] o [0,1].
Fórmula: X_norm = X/10^k, donde k es un parámetro variable y el valor es un número entero tal que el número con el valor absoluto más grande es menor que 1
% Utilice la función Matlab para implementar la normalización de escala decimal
X = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]; k =
ceil(log10(max(abs(X))))
X_norm = X/(10^k)
Resumir:
Lo anterior presenta varios métodos comunes de normalización de datos y las funciones correspondientes de Matlab. Elegir un método de normalización apropiado durante el procesamiento de datos puede mejorar la eficiencia y precisión del análisis de datos posterior y también puede evitar algunos problemas potenciales.