本文共 489 字，大约阅读时间需要 1 分钟。

数据归一化是一种常用的数据预处理方法，其主要目的是将原始数据转换为一个统一的尺度。归一化的好处在于能够加快梯度下降过程中寻找最优解的速度，同时还能提高模型的训练和推理精度。

归一化方法主要有两种：Min-Max标准化和Z-score标准化。

Min-Max标准化是一种将数据映射到0-1范围内的线性变换方法。其核心转换公式为：

$$X' = \frac{X - Min}{Max - Min}$$

如果需要将数据中心化，公式可以改写为：

$$X' = \frac{X - Mean}{Max - Mean}$$

该方法的缺点在于对异常值较为敏感，且在数据集发生变化时需要重新计算Min-Max范围。

Z-score标准化则是基于均值和标准差的标准化方法，其转换公式为：

$$X' = \frac{X - Mean}{Standard , Deviation}$$

这种方法可以将数据转换为服从标准正态分布的形式，从而消除不同量纲的影响，实现无量纲化处理。

需要注意的是，Z-score标准化要求使用样本均值和样本标准差，而Min-Max标准化则通常使用全体数据的最小值和最大值。