【摘要】：数据标准化包括数据的同趋化处理和无量纲化处理两方面。数据无量纲化处理主要解决数据间的可比性。数据标准化的方法有很多种，主要有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等[3,4]。经过标准化处理，原始数据消除数量级和量纲的影响，可以进行综合测评分析。
在进行数据分析的时候，通常涉及多个变量，而不同变量往往会有不同的量纲或者数量级，当各个变量间的水平差别很大，如果直接使用原始变量进行分析时，数值水平较高的变量在分析中则会起到主要作用，相对的削弱了低水平变量的作用，从而影响了分析结果的可靠性。尤其是对于基于距离度量的算法，比如神经网络或者聚类分析，标准化最为有用。如果利用BP神经网络进行分类挖掘，对变量的标准化有助于加快学习的速度；如果利用聚类分析进行分类，标准化可以防止具有较大值域的变量与具有较小值域的变量相比，权重过大。因此，为了保证分析结果的可靠性，需要进行标准化处理。利用标准化后的数据进行分析。
数据标准化包括数据的同趋化处理和无量纲化处理两方面。数据同趋化处理主要解决变量因具有不同数量级而引起的作用力不同的问题，使所有指标对分析的作用力同趋化，再进行分析才能得到可靠的结果。数据无量纲化处理主要解决数据间的可比性。数据标准化的方法有很多种，主要有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等[3,4]。经过标准化处理，原始数据消除数量级和量纲的影响，可以进行综合测评分析。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
