是十进制缩放归一化 和最大最小归一化的概念

数据归一化是数据分析和机器学习中常见的预处理步骤，用来将数值特征缩放到特定范围内，便于后续模型训练和提高算法性能。主要有两种方法：

1. **十进制缩放归一化** (Decimal Scaling Normalization)：也称为小数定标法或标准化。这种方法是通过减去每个特征的均值（平均值），然后除以该特征的标准差（方差的平方根）来实现的。公式通常表示为：
\[ X_{normalized} = \frac{X - \mu}{\sigma} \]
其中 \( X \) 是原始特征，\( \mu \) 是均值，\( \sigma \) 是标准差。结果范围是介于-1到1之间。

2. **最大最小归一化** (Min-Max Scaling or Rescaling)：也称为线性归一化，它将数据缩放到一个新的最小值0和最大值1之间的区间。具体计算方法如下：
\[ X_{normalized} = \frac{X - X_{min}}{X_{max} - X_{min}} \]
在这个过程中，\( X_{min} \) 是特征的最小值，\( X_{max} \) 是最大值。这样做使得所有特征都在同一尺度上，方便比较。

这两种方法都有助于减少特征间的量纲差异，加速训练过程，并且避免某些特征过大对其他特征的影响。同时，归一化也有利于防止某些权重过大导致模型过拟合。