We read every piece of feedback, and take your input very seriously.
To see all available qualifiers, see our documentation.
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
原文:标准化通常是指将数据缩放到均值为 0,标准差为 1 的标准正态分布上。 存疑处:均值为 0,标准差为 1肯定没问题,但说是缩放到标准正态分布我感觉有点不妥(或者说容易引起误解)。 原因:Z-Score标准化不会改变原始数据的分布形状,分布形状并不会变成正态分布,比如如下代码:
标准化通常是指将数据缩放到均值为 0,标准差为 1 的标准正态分布上。
# 生成一组对数正态分布的数据 x = stats.lognorm.rvs(0.5, size=1000) # 绘制直方图 plt.hist(x, bins=50, density=True, alpha=0.6, color='g') plt.show() # 对x进行z-score标准化 x_zscore = stats.zscore(x) # 绘制直方图 plt.hist(x_zscore, bins=50, density=True, alpha=0.6, color='g') plt.show()
建议:Z-Score并没有改变原始数据的分布形状,所以我认为可以改为:使得处理后的数据具有固定均值0和标准差1(但不一定是正态)。
使得处理后的数据具有固定均值0和标准差1(但不一定是正态)。
The text was updated successfully, but these errors were encountered:
No branches or pull requests
原文:
标准化通常是指将数据缩放到均值为 0,标准差为 1 的标准正态分布上。
存疑处:均值为 0,标准差为 1肯定没问题,但说是缩放到标准正态分布我感觉有点不妥(或者说容易引起误解)。
原因:Z-Score标准化不会改变原始数据的分布形状,分布形状并不会变成正态分布,比如如下代码:
建议:Z-Score并没有改变原始数据的分布形状,所以我认为可以改为:
使得处理后的数据具有固定均值0和标准差1(但不一定是正态)。
The text was updated successfully, but these errors were encountered: