本文是临时的。在上一次的不同数据标准化方法我看着细微差别和挑战。直到出版后，我才意识到我没有提到一些重要的细节。在某些人看来，它们似乎很明显，但我认为最好是明确地说出来。
归类分类数据
为了不使基本内容杂乱无章，我假设您知道什么是分类数据和序数数据，以及它们与其他数据有何不同。
显然，任何归一化只能对数字数据执行。因此，如果只有数字适合您的算法/程序进行进一步的工作，则必须将所有其他类型转换为它们。
分类数据很简单。如果目标不是简单地用一些数字对值进行编码（加密），则唯一可用的选择是将它们表示为每个可能类别的值``1''-``0''（是-否）。这就是所谓的单热编码。什么时候出现新的“布尔”功能，而不是一种分类功能，因为存在可能的类别。
就这样。
没有中值或算术平均值计算，没有偏移。
如果您正在准备用于神经网络输入的数据，这正是您所需要的。
重要的是要理解，将标准化之类的转换应用于分类/“布尔”特征至少是无用的，而且至多有害。因为它会不合理地增加或减少其值的范围。我上次详细介绍了这些间隔相等的重要性。
, , , , “” “”. “ ”, , “” . , , — .
, - , « , 0 1». , . , .
. “” ( ) . , . .
1. . ( ). ( ) , , , . , , .
2. ( ). , “” .
, , . — , , , .
— ..
“”
, , . , .
. “” , . “” .
. , , , . — , , , ( ). .
“” , “”. .
. . , , 100 , 100 . 100 .
,
. “” , , . - , .
“” ( ) “” .
, , “”. .
“” “” .
. /, . “-” ( ), “-” ( ). , - , “-” , “-”.
. . “” .
, , (- ), “-”, , “-”, . .. “”.
, “”, .
, — - , . - .
P.S. — , - AdjustedScaler, “” .