1.データ標準化の目的

データの標準化とは、データを特定の小さな間隔にスケーリングすることを意味します。一般的な目的は、データの単位制限を削除し、それをディメンションの純粋な値に変換して、さまざまな単位または桁数のインジケーターを比較できるようにすることです。加重。。データの正規化は典型的なケースです。

1.1データの正規化

数値を（0,1）の間の小数に変換します
次元式を無次元式に変換する

1.2正規化の利点

正規化の利点は、多重指数評価システムでは、各評価指数の性質により、通常、次元と大きさが異なることです。さまざまな指標のレベルが大きく異なる場合、元の指標値を直接分析に使用すると、包括的な分析で値の高い指標の役割が強調され、値の低い指標の役割が比較的弱くなりますレベル。したがって、結果の信頼性を確保するためには、元のデータを標準化する必要があります。
経験的に言えば、正規化とは、異なる次元間の特徴にある程度の数値比較を持たせることであり、これにより分類器の精度を大幅に向上させることができます。

2.最小-最大標準化

2.1定義

シーケンス $x_1、x_2、...、x_nの場合$ 変換変換换： −min1≤j≤n max1≤j≤n −min1≤j≤n
$y_i = \ frac {x_i-min_ {1≤j≤n\ {x_j \}}} {max_ {1≤j≤n\ {x_j \}}-min_ {1≤j≤n\ {x_j \}}}$
则新序列、。 $y_1、y_2、...、y_n∈[0,1]$ そして無次元。一般的なデータが必要な場合は、正規化された処理を最初に検討できます。
最小-最大標準化は、元のデータに対して線形変換を実行し、値を[0,1]にマップすることです。

2.2実装コード

import numpy as np
import math

"""
around(arr,decimals=?)?maintain x decimals
"""

class DataNormalization:
    def __init__(self):
        self.arr = np.array([1,2,3,4,5,6,7,8,9])
        self.x_max = self.arr.max() 
        self.x_min = self.arr.min()
        self.x_mean = self.arr.mean()
        self.x_std = self.arr.std()

    def Min_MaxNorm(self):
        arr = np.around(((self.arr - self.x_min) / (self.x_max - self.x_min)), decimals = 4)
        print("Min_MaxNorm:{}".format(arr))

if __name__ == "__main__":
    a = DataNormalization()
    a.Min_MaxNorm()

操作の結果は次のとおりです。

Min_MaxNorm:[0.    0.125 0.25  0.375 0.5   0.625 0.75  0.875 1.   ]

この記事の参照リンク：データ標準化の一般的な方法（最小-最大標準化、Zスコア標準化など）

ミニマックス、データ標準化の一般的な方法

目次