【什么是归一化法】归一化法是一种在数据分析、机器学习和统计学中常用的预处理技术，用于将不同量纲或不同范围的数据统一到一个标准范围内。其核心目的是消除数据之间的量纲差异，使数据更具可比性，并提升后续算法的性能。
归一化法常用于特征缩放，尤其在使用距离度量（如欧氏距离）或梯度下降等优化算法时，对模型训练效果有显著影响。常见的归一化方法包括最小-最大归一化、Z-Score标准化等。
归一化法总结
| 项目 | 内容 |
| 定义 | 将数据按比例缩放到0到1之间或某个特定范围内，以消除量纲和数值范围的影响。 |
| 目的 | 消除不同特征间的量纲差异，提高算法效率与准确性。 |
| 适用场景 | 适用于需要比较不同特征、使用距离度量的算法（如KNN、SVM、神经网络等）。 |
| 常见方法 | 最小-最大归一化、Z-Score标准化、小数定标归一化等。 |
| 优点 | 数据更易比较，算法收敛更快，结果更稳定。 |
| 缺点 | 对异常值敏感；可能丢失部分原始数据分布信息。 |
常见归一化方法对比
| 方法名称 | 公式 | 范围 | 特点 |
| 最小-最大归一化 | $ X' = \frac{X - X_{\min}}{X_{\max} - X_{\min}} $ | [0, 1] | 简单直观，但对异常值敏感 |
| Z-Score标准化 | $ X' = \frac{X - \mu}{\sigma} $ | [-∞, +∞] | 适用于正态分布数据，消除均值和方差影响 |
| 小数定标归一化 | $ X' = \frac{X}{10^j} $ | [-1, 1] | 通过移动小数点实现，适合整数数据 |
归一化法是数据预处理的重要步骤，合理选择归一化方法可以显著提升模型性能。在实际应用中，应根据数据分布特点和算法需求灵活选择合适的方法。