标准化 归一化 正向化

标准化、归一化和正向化都是常用的数据预处理技术，用于将原始数据转换为特定的范围或分布，以便更好地适应模型训练和分析。

1. 标准化（Standardization）又称为零均值标准差归一化，通过减去均值并除以标准差的方式对数据进行处理。标准化后的数据会呈现出均值为0，标准差为1的正态分布。这种方法对于那些特征值之间差异较大且存在异常值的数据集比较适用。

2. 归一化（Normalization）是将数据缩放到一个固定的范围内，通常是[0, 1]或[-1, 1]。常见的归一化方法有最小-最大缩放和Z-Score归一化。最小-最大缩放将原始数据线性映射到指定的范围，而Z-Score归一化则利用均值和标准差对数据进行处理。

3. 正向化（Positive transformation）主要用于处理含有负数的数据，将其转换为非负数。常见的正向化方法有取绝对值和平移变换。取绝对值是将负数转换为正数，而平移变换则是通过加上一个常量来使所有数据变为非负数。

这些数据预处理技术可以帮助消除数据中的偏差、缩放特征值的范围、处理异常值等，从而提高模型的性能和稳定性。具体选择哪种方法取决于数据的特点和模型的需求。