归一化 (Normalization)：

通过preprocessing，将属性缩放到指定的和最小值之间(通常是1-0).MinMaxScaler类实现。

常用的最小标准化方法(x-min(x))/(max(x)-min(x))

实现python归一化的方法：

1、(0，1)标准化:

通过遍历featuree，这是最简单、最容易想到的方法 vector中的每一个数据，记录Max和Min，并以Max-Min为基数(即Min=0，Max=1)对数据进行归一化处理：

defMaxMinNormalization(x,Max,Min):
x=(x-Min)/(Max-Min);
returnx

2、Z-score标准化：

这种方法给出了原始数据的平均值（mean）和标准差（standard deviation）标准化数据。处理后的数据符合标准正态分布，即平均值为0，标准差为1。这里的关键在于复合标准的正态分布。我认为特征的分布在一定程度上发生了变化。转换函数为：

实现代码：

defZ_ScoreNormalization(x,mu,sigma):
x=(x-mu)/sigma;
returnx

3、Sigmoid函数：

Sigmoid函数是一种具有S形曲线的函数，在(0， 0.5)中心对称，在(0， 0.5）附近有一个相对较大的斜率。当数据趋于积极和消极时，映射值将趋于1和0。这是一种我非常喜欢的“统一方法”。

引号之所以被引用，是因为我认为Sigmoid函数在阈值分割方面也有很好的性能。根据公式的变化，可以改变分割阈值。作为归一化的方法，我们只考虑(0， 0.5)作为分割阈值点的情况:

实现代码：

defsigmoid(X,useStatus):
ifuseStatus:
return1.0/(1+np.exp(-float(X)));
else:
returnfloat(X)

请关注Python自学网了解更多Python知识。