min-max标准化和z-score标准化

最小-最大规范化（Min-Max normalization）和Z-score标准化（Z-score normalization）都是数据归一化的方法，下面简要介绍一下它们的区别和应用场景。

1. 最小-最大规范化（Min-Max normalization）：最小-最大规范化是将数据按照线性比例缩放到[0,1]的区间内。其公式为：$x_{new}=\frac{x-x_{min}}{x_{max}-x_{min}}$，其中$x_{new}$为归一化后的数据，$x_{min}$和$x_{max}$分别为数据集中的最小值和最大值。

最小-最大规范化适用于数据集中的数据分布比较均匀的情况。例如，当数据集中的数据都落在0-100的范围内时，可以使用最小-最大规范化将数据归一化到[0,1]的范围内。

2. Z-score标准化（Z-score normalization）：Z-score标准化是将数据按照均值为0、方差为1的比例缩放。其公式为：$x_{new}=\frac{x-\mu}{\sigma}$，其中$x_{new}$为标准化后的数据，$\mu$和$\sigma$分别为数据集的均值和标准差。

Z-score标准化适用于数据集中的数据分布比较不均匀的情况。例如，当数据集中的数据分布比较偏态或存在异常值时，可以使用Z-score标准化将数据归一化到均值为0、方差为1的标准正态分布中。

需要注意的是，不同的数据归一化方法对于不同的数据分布和问题可能会有不同的效果，因此需要根据具体问题选择合适的方法。同时，在使用数据归一化方法时，需要注意避免数据泄露问题，即在测试集中不能重新计算均值和标准差等统计量，而应该使用训练集中的统计量。