MAX-MIN反归一化

MAX-MIN反归一化是将经过归一化处理的数据恢复到原始数据范围的过程。下面是一个示例代码来演示MAX-MIN反归一化的过程：

import numpy as np

# 原始数据
data = [1, 2, 3, 4]

# 归一化函数
def MaxMinNormalization(x, Max, Min):
    x = (x - Min) / (Max - Min)
    return x

# 反归一化函数
def MaxMinDenormalization(x, Max, Min):
    x = x * (Max - Min) + Min
    return x

# 获取最大值和最小值
Max = np.max(data)
Min = np.min(data)

# 归一化处理
normalized_data = MaxMinNormalization(data, Max, Min)
print("归一化后的数据：", normalized_data)

# 反归一化处理
denormalized_data = MaxMinDenormalization(normalized_data, Max, Min)
print("反归一化后的数据：", denormalized_data)

输出结果：

归一化后的数据： [0. 0.33333333 0.66666667 1.]
反归一化后的数据： [1. 2. 3. 4.]

相关问题

MIN-MAX反归一化

MIN-MAX反归一化是将经过MIN-MAX归一化处理的数据恢复到原始数据的过程。反归一化的公式如下：

X = X_normalized * (max - min) + min

其中，X_normalized是经过MIN-MAX归一化处理后的数据，max和min分别是原始数据的最大值和最小值。

以下是一个示例代码，演示如何进行MIN-MAX反归一化：

import numpy as np

# 原始数据
data = np.array([0.2, 0.5, 0.8])

# 最大值和最小值
max_value = 1.0
min_value = 0.0

# MIN-MAX反归一化
data_restored = data * (max_value - min_value) + min_value

print("反归一化后的数据：", data_restored)

输出结果为：

反归一化后的数据： [0.2 0.5 0.8]

MIN-MAX归一化

MIN-MAX归一化是一种线性的归一化方法，它将数据进行一次线性变换，将数据映射到[0,1]区间。该方法不改变数据的分布，但是过度依赖最大最小数，容易受到离群点、异常数据的影响。

下面是MIN-MAX归一化的公式：
x′ = (x - Min) / (Max - Min)

其中，x是原始数据，Min是数据的最小值，Max是数据的最大值，x′是变换后的数据。

以下是一个MIN-MAX归一化的示例代码：

data = [1, 2, 3, 4, 5]
Min = min(data)
Max = max(data)
normalized_data = [(x - Min) / (Max - Min) for x in data]
print(normalized_data)

输出结果为：
[0.0, 0.25, 0.5, 0.75, 1.0]