Min-Max Normalization

对原始数据的线性变换，使得结果值映射到[a,b]之间

x_i^{\prime} = \frac{x_i - x_{min}}{x_{max} - x_{min}}(b-a) + a

如果是映射到[0,1]之间，则

x_i^{\prime} = \frac{x_i - x_{min}}{x_{max} - x_{min}}

这种归一化方式容易受最大值最小值的影响，实际使用中一般采用经验常量来代替Max和Min

Z-score Normalization

经过处理后的数据服从标准正态分布

x_i^{\prime} = \frac{x_i - mean(x)}{std(x)}

x_i^{\prime} = x_i / 10^{j}, \ smallest \ j \ s.t. \ \ max(x^{\prime}) < x_i

一般形式

x_i^{\prime} = log_{10}x_i

如果要映射到[0,1]，则

x_i^{\prime} = \frac{log_{10}(X_i)}{log_{10}max(x_i)}