standardization和normalization
    在机器学习和数据分析中，Standardization和Normalization是两个重要的数据预处理技术。它们的目的都是将不同特征之间的数值范围统一，使得数据更易于处理和比较。
正则化和归一化的关系    Standardization（标准化）是指将数据转换为均值为0，方差为1的正态分布。这种方法可以使得数据更加符合统计假设，利于某些算法的运算和优化。常见的标准化方法有Z-score标准化，即将每个样本的特征值减去该特征的均值，再除以该特征的标准差。
    Normalization（归一化）是指将数据缩放到0-1的范围内，保留原始数据的相对大小关系。这种方法通常适用于需要将特征值映射到某个固定的区间的场景，如图像处理中灰度值的范围限制。常见的归一化方法有Min-Max归一化，即将每个样本的特征值减去该特征的最小值，再除以该特征的取值范围（最大值减最小值）。
    需要注意的是，在使用这两种方法进行数据预处理时，需要先对训练集进行处理，然后将得到的参数（如均值、标准差、最小值、最大值等）用于测试集的处理，保证训练集和测试集使用的是相同的数据转换方式。

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。