-
常见的归一化方法：
1、min-max归一化（Min-Max Normalization）
对各维特征值分别进行线性变换，使得各维特征值被映射到[0, 1]之间（区间缩放），转换函数如下：
其中max为某一维特征值的最大值，min为某一列特征值的最小值。这种方法有个缺陷，就是当有新样本加入时，max和min可能会变化，需要重新定义，然后需要重新计算各特征值。
2、z-score标准化
这种方法用各维的均值和标准差来标准化各维特征值，它的转换函数为：
经过处理后，各维特征值相当于从标准正态分布采样得到，即各维特征服从标准正态分布。
此外，标准化的本质就是表示原始值与均值之间差了多少个标准差，是一个相对值，所以有去除量纲的功效。
p代表的是样例为正例的概率，是一个与模型无关而只与数据集有关的量，而总的归一化代价是取决于模型的好坏的
首先如果不归一化会怎么样，我们把下面公式的分母去掉，并重新定义计算函数：
#计算 正概率代价(横轴)
def calculate_Pcost(p,c01,c02):
Pcosts=[]
for i in range(len(p)):
Pcost=round(p[i]*c01,4)
Pcosts.append(Pcost)
return Pcosts
#计算 归一化总概率(纵轴)
def calculate_cost_norm(p,c01,c02,FNR,FPR):
costs_norm=[]
for i in range(len(p)):
cost_norm=round((FNR*p[i]*c01+FPR*(1-p[i])*c02),4)
costs_norm.append(cost_norm)
return costs_norm
-
实验结果
右边的图在给定p下其纵坐标与横坐标受cost01与cost10的影响，当cost01，cost10改变时，不方便比较，于是需要归一化，都除以pcost01+(1-p)cost10，均匀缩放到[0,1]的范围内
