今天看那么了一下數據的預處理的東西，重點就是歸一化了包括MIN-MAX標準化等方法，還沒有一一去驗證每個方法對我論文中研究LF精煉過程鋼水重點溫度預報輸入數據處理后，對預報工作的影響好壞，先MARK在這里日后用啦~（歸一化是一種簡化計算的方式，即將有量綱的表達式，經過變換，化為無量綱的表達式，成為標量。 在多種計算中都經常用到這種方法。）PS：這里我還沒搞清標準化和歸一化的區(qū)別，工作做到這時候應該要對這些概念搞清楚。
數據的標準化（normalization）是將數據按比例縮放，使之落入一個小的特定區(qū)間。在某些比較和評價的指標處理中經常會用到，去除數據的單位限制，將其轉化為無量綱的純數值，便于不同單位或量級的指標能夠進行比較和加權。
其中最典型的就是數據的歸一化處理，即將數據統(tǒng)一映射到[0,1]區(qū)間上，常見的數據歸一化的方法有：
min-max標準化(Min-max normalization)
也叫離差標準化，是對原始數據的線性變換，使結果落到[0,1]區(qū)間，轉換函數如下：
其中max為樣本數據的最大值，min為樣本數據的最小值。這種方法有一個缺陷就是當有新數據加入時，可能導致max和min的變化，需要重新定義。
log函數轉換
通過以10為底的log函數轉換的方法同樣可以實現(xiàn)歸一下，具體方法如下：
看了下網上很多介紹都是x*=log10(x)，其實是有問題的，這個結果并非一定落到[0,1]區(qū)間上，應該還要除以log10(max)，max為樣本數據最大值，并且所有的數據都要大于等于1。
atan函數轉換
用反正切函數也可以實現(xiàn)數據的歸一化：
使用這個方法需要注意的是如果想映射的區(qū)間為[0,1]，則數據都應該大于等于0，小于0的數據將被映射到[-1,0]區(qū)間上。
而并非所有數據標準化的結果都映射到[0,1]區(qū)間上，其中最常見的標準化方法就是Z標準化，也是SPSS中最為常用的標準化方法：
z-score 標準化(zero-mean normalization)
也叫標準差標準化，經過處理的數據符合標準正態(tài)分布，即均值為0，標準差為1，其轉化函數為：
其中μ為所有樣本數據的均值，σ為所有樣本數據的標準差。
本文大部分參考了：
http://webdataanalysis.net/data-analysis-method/data-normalization/
網絡整理歸一化：
