個人理解這里的規范化處理指對提取后的特征集進行處理，不是對原始的數據信號進行處理，包括 歸一化 和 標準化。

規范化的原因： 不同特征具有不同量級時會導致：a.數量級的差異將導致量級較大的特征占據主導地位；b.數量級的差異將導致迭代收斂速度減慢；c.依賴于樣本距離的算法對于數據的數量級非常敏感。

歸一化： ，也就是原數據減去該特征列最小值，再除以該特征列的極差，將屬性縮放到[0,1]之間。

標準化： ,也就是原數據減去該特征列的均值，再除以該特征列的標準差。

注意：

1.所謂規范化是對特征列的規范化，不是對樣本的特征向量規范化（如將一個人身高、年齡、體重等屬性規范化沒有意義）；

2.應將訓練集和測試集分開后再規范化處理，測試集使用的是訓練集保留下的參數（歸一化的max、min，標準化的mean、std），也就是訓練集規范化時使用自己的最大值最小值、均值方差，測試集規范化計算時仍使用訓練集的最大值最小值、均值方差。

【例】

訓練集兩個樣本，含三個特征， ，測試集也是兩個樣本，三個特征， 。

歸一化： 由訓練集得到參數 min=(1,2,3)，max=(2,3,4)，則

?訓練集第一維特征的第一個數據1的計算為 ，測試集第二維特征的第一個數據1的計算為 .

標準化： 由訓練集得到參數 mean=(3/2, 5/2, 7/2), std=(1/2, 1/2, 1/2)，則

訓練集第一維特征的第一個數據1的計算為 ,測試集第二維特征的第一個數據1的計算為 .

?

python實現：

可由 sklearn.preprocessing.MinMaxScaler 和 sklearn.preprocessing.StandardScaler 實現，訓練集使用函數 fit_transform（）,測試集使用函數?transform（）。示例如下：

            
              import numpy as np
from sklearn.preprocessing import MinMaxScaler   #歸一化：最值
from sklearn.preprocessing import StandardScaler #標準化：均值方差

#訓練集，兩行三列，兩個樣本、三個特征
x_train = np.array([[1.0,2.0,3.0],
                   [2.0,3.0,4.0]])

#測試集，兩行三列，兩個樣本、三個特征
x_test = np.array([[1.0,1.0,1.0],
                   [2.0,2.0,2.0]])

# 特征縮放：歸一化
mms = MinMaxScaler()
x_train_norm = mms.fit_transform(x_train)
x_test_norm = mms.transform(x_test)
print('\n歸一化：\n')
print('x_train_norm:\n',x_train_norm)
print('\nx_test_norm:\n',x_test_norm, "\n")

# 特征縮放：標準化
stdsc = StandardScaler()
x_train_std = stdsc.fit_transform(x_train)
x_test_std = stdsc.transform(x_test)
print('\n標準化：\n')
print('x_train_std:\n',x_train_std)
print('x_test_std:\n',x_test_std)
            
          

運行結果：

? ? ? ? ? ? ? ? ??

參考

1.https://blog.csdn.net/zwqjoy/article/details/81182102

2.https://www.cnblogs.com/dearL/p/9532288.html

3.https://blog.csdn.net/anecdotegyb/article/details/74857055

4.https://www.cnblogs.com/dan-baishucaizi/p/9107858.html