样本均值的标准化变量
1. Z-Score标准化
对数据系列中的每一个数据点作减去均值并除以方差的操作，使得处理后的数据近似符合(0,1) 的标准正态分布：
优点：
1) 计算相对简单，在计算机编程软件中操作方便；
2) 能够消除量级为数据分析带来的不便，不受数据量级的影响，保证了数据间的可比性.
缺点：
正则化点变量以体积平均量来表示1) 计算时需要得到总体的均值及标准差，在数据较多时难以实现，大多数情况下用样本均值及标准差代替，此举会导致分析结果与真实结果之间会存在差异；
2) 极大程度上改变了数据的原始意义，使得只能比较数据之间的关系，导致这种标准化方法的现实意义需要在比较中实现；
3) 对数据的相关性有要求，只有在数据大致符合正态分布时才能得到最佳结果.
适用范围：适用于数据系列中最大值和最小值未知，有超出取值范围的离数据的情况。或者是数据分布非常离散的情况.
2. 0-1标准化
对数据系列作线性变换，使得处理过后数据均落在［0，1］区间内：
优点：
1) 无论原始数据是正值还是负值，经过0-1标准化之后各个观察值的数值变化范围都满足条件，并且正指标、逆指标均可转化为正向指标，使其作用方向一致，易于比较；
2) 能够消除变异量纲和变异范围的影响，确保数据是在同一量纲下进行比较.
缺点：
1) 在新数据加入后，可能导致最大值和最小值发生变化，就需要重新定义标准化变量，计算量大幅增加；
2) 标准化之后只能比较数据的分布情况，适用场景较为单一.
适用范围：0-1标准化适用于需要将数据简单地变换映射到某一区间中进行比较，观测数据的分布情况.

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。