最小-最大归一化的公式是什么？

适用条件

• 应用于连续数值特征。
• 需要知道特征的最小值和最大值。
• 最大值和最小值不能相等（以避免除以零）。

理解与推导

1. 识别原始特征值 $x$。
2. 找到数据集中特征的最小值 $x_{\min}$ 和最大值 $x_{\max}$。
3. 从原始特征中减去最小值：$x - x_{\min}$。
4. 将结果除以特征的范围：$x_{\max} - x_{\min}$。
5. 最终变换后的值为 $x' = \frac{x - x_{\min}}{x_{\max} - x_{\min}}$。

例子

视频在屏幕上显示公式“min-max normalization : x' = (x - x_min) / (x_max - x_min)”，并显示一个紧密聚集在零附近的粉红色直方图，演示了这种方法如何标准化数据的范围。

容易误解的地方

• 假设最小-最大归一化会改变分布的形状；它是一种线性变换，只平移和缩放数据。
• 忘记分母是范围（$x_{\max} - x_{\min}$）而不仅仅是最大值。

观看对应讲解

继续追问

• 标准化的公式是什么？
• 为什么特征缩放在机器学习中很重要？
• 最小-最大归一化如何影响数据分布？