机器学习的标准化、归一化、正则化以及规范化方法

规范化：

数据库优化策略

关系模型中对规范要求的满足程度被划分为多个层级，其中最低标准为第一范式（1NF），随后依次为第二范式、第三范式、BC范式以及第四范式、第五范式等。随着范式的等级逐步提升，所需遵循的约束条件也愈发严格。

针对数据：

数据的规范化涵盖了归一化、标准化以及正则化等多种处理方式，这些方法通常被统称为数据规范化（也有人将标准化视为这一过程的总称）。
数据规范化属于数据挖掘过程中数据变换的一种形式，其目的是将原始数据转换为适合进行挖掘分析的格式。通过调整属性数据的比例，使其落入一个特定的较小区间内，例如[-1, 1]或[0, 1]，从而提升后续分析的效果。

对属性值实施规范化处理，在涉及神经网络和基于距离度量的分类与聚类算法中具有广泛应用。例如，在采用神经网络反向传播算法进行分类任务时，对训练样本中各属性输入值进行规范化处理有助于提升学习过程的速度。而在依赖距离计算来衡量对象间差异性的方法中，通过归一化操作可以使所有属性在计算中具有同等的重要性。
目前常见的数据规范化手段主要包括三种：最小最大值法、z-score标准化方法以及小数定标法。

归一化（Normalization）

其关键在于将范围严格控制在[0,1]区间之内

主要算法概述

1.线性变换 ，
最小最大归一化 ，