归一化与标准化操作是数据预处理过程中常见的数据处理（特征缩放）方法。常见的归一化标准化有四种。

• 1、极大极小归一化
  在数据集中，使用数据的值减去极小值处以极差，得到数值范围在（0,1）范围内的数据集，公式如下
  
  对应为sklearn中的MinmaxScaler
• 2、均值归一化
  数据值中使用数据减去该数据集的均值处以极差，经过归一化后数值范围在（-1,1）范围内，具体的处理方法如下
  
  对应sklearn中的normalize
• 标准化
  通常叫做z-score标准化，将数据缩放到（0，1）之间，变为均值为0，标准差为1的分布。原数据集是什么分布，转换后还是什么分布。不会改变数据的分布。 如果原本数据为正态分布，则经过转化后会变成标准正态分布，在统计概率中常用来查询概率。
  
  对应sklearn包中的Standardization。
  目前常用的归一化与标准化方法就是上面的三种。二之间的区别和不同的使用条件如下。
• 不管是极大极小归一化还是均值归一化，会受异常值影响较大、

• 在机器学习中，stadardization应用较为全面，对于机器学习数据，基于距离或距离相关性的算法，都会受到数据范围的影响，在神经网络训练中梯度下降算法中，数据就需要进行标准化处理。而基于tree的算法，由于不涉及距离的计算，只计算当前分类的gini系数或者信息熵。因而不需要进行标准化处理。
  在一些文章里面看到有说法，Stadardization可以将原有数据变为标准正态分布观点其实是错误的，z-score标准化不会改变原有数据的分布。经过个人测试，生成了一个偏态的beta分布的数据集（上图），经过z-score转化后如下图，发现并没有变成标准正态分布。具体还需要继续学习。。。。。。

  
  
  normalvsorigin.png