Làm thế nào để bình thường hóa dữ liệu đến phạm vi 0-1?

Tôi bị mất trong việc bình thường hóa, bất cứ ai có thể hướng dẫn tôi.

Tôi có các giá trị tối thiểu và tối đa, tương ứng -23,89 và 7,54990767.

Nếu tôi nhận được giá trị 5.6878, làm thế nào tôi có thể chia tỷ lệ giá trị này theo thang điểm từ 0 đến 1.

Nếu bạn muốn bình thường hóa dữ liệu của mình, bạn có thể làm như bạn đề xuất và chỉ cần tính toán như sau:

trong đó và hiện là dữ liệu chuẩn hóa . Như một bằng chứng về khái niệm (mặc dù bạn không yêu cầu) đây là một số mã và biểu đồ kèm theo để minh họa điểm này:$x=(x_1,...,x_n)$$z_i$$i^{th}$R

# Example Data
x = sample(-100:100, 50)

#Normalized Data
normalized = (x-min(x))/(max(x)-min(x))

# Histogram of example data and normalized data
par(mfrow=c(1,2))
hist(x,          breaks=10, xlab="Data",            col="lightblue", main="")
hist(normalized, breaks=10, xlab="Normalized Data", col="lightblue", main="")

Công thức một dòng chung để định tuyến lại các giá trị dữ liệu đã quan sát tối thiểu và tối đa thành một phạm vi tùy ý mới min ' to max' là

  newvalue= (max'-min')/(max-min)*(value-max)+max'
  or
  newvalue= (max'-min')/(max-min)*(value-min)+min'.

Đây là cách triển khai PHP của tôi để chuẩn hóa:

function normalize($value, $min, $max) {
	$normalized = ($value - $min) / ($max - $min);
	return $normalized;
}

Nhưng trong khi tôi đang xây dựng các mạng thần kinh nhân tạo của riêng mình, tôi cần phải chuyển đổi đầu ra được chuẩn hóa trở lại dữ liệu gốc để có được đầu ra tốt cho biểu đồ.

function denormalize($normalized, $min, $max) {
	$denormalized = ($normalized * ($max - $min) + $min);
	return $denormalized;
}

$int = 12;
$max = 20;
$min = 10;

$normalized = normalize($int, $min, $max); // 0.2
$denormalized = denormalize($normalized, $min, $max); //12

Không chuẩn hóa sử dụng công thức sau:

$x (\text{max} - \text{min}) + \text{min}$

Chia cho số không

Một điều cần lưu ý là max - mincó thể bằng không. Trong trường hợp này, bạn sẽ không muốn thực hiện phân chia đó.

Trường hợp điều này sẽ xảy ra là khi tất cả các giá trị trong danh sách bạn đang cố gắng bình thường hóa đều giống nhau. Để bình thường hóa một danh sách như vậy, mỗi mục sẽ được 1 / length.

// JavaScript
function normalize(list) {
   var minMax = list.reduce((acc, value) => {
      if (value < acc.min) {
         acc.min = value;
      }

      if (value > acc.max) {
         acc.max = value;
      }

      return acc;
   }, {min: Number.POSITIVE_INFINITY, max: Number.NEGATIVE_INFINITY});

   return list.map(value => {
      // Verify that you're not about to divide by zero
      if (minMax.max === minMax.min) {
         return 1 / list.length
      }

      var diff = minMax.max - minMax.min;
      return (value - minMax.min) / diff;
   });
}

Thí dụ:

normalize([3, 3, 3, 3]); // output => [0.25, 0.25, 0.25, 0.25]

Câu trả lời là đúng nhưng tôi có một gợi ý, nếu dữ liệu đào tạo của bạn đối mặt với một số ngoài phạm vi thì sao? bạn có thể sử dụng kỹ thuật squashing. nó sẽ được đảm bảo không bao giờ đi ra khỏi phạm vi. hơn là cái này

tôi khuyên bạn nên sử dụng cái này

với squashing như thế này trong min và max của phạm vi

và kích thước của khoảng cách ngoài phạm vi dự kiến ​​tỷ lệ thuận với mức độ tin cậy rằng sẽ có các giá trị ngoài phạm vi.

để biết thêm thông tin, bạn có thể google: xóa các số ngoài phạm vi và tham khảo sách chuẩn bị dữ liệu của "dorian pyle"

Thử đi. Nó phù hợp với quy mô chức năng

normalize <- function(x) { 
  x <- as.matrix(x)
  minAttr=apply(x, 2, min)
  maxAttr=apply(x, 2, max)
  x <- sweep(x, 2, minAttr, FUN="-") 
  x=sweep(x, 2,  maxAttr-minAttr, "/") 
  attr(x, 'normalized:min') = minAttr
  attr(x, 'normalized:max') = maxAttr
  return (x)
}