Нормируйте данные
N = normalize(
возвращает vectorwise z - счет данных в A
)A
с центром 0 и стандартным отклонением 1.
Если A
вектор, затем normalize
работает с целым вектором.
Если A
матрица, таблица или расписание, затем normalize
работает с каждым столбцом данных отдельно.
Если A
многомерный массив, затем normalize
действует вдоль первого измерения массива, размер которого не равняется 1.
N = normalize(___,
задает метод нормализации для любого из предыдущих синтаксисов. Например, method
)normalize(A,'norm')
нормирует данные в A
Евклидовой нормой (2-норма).
N = normalize(___,
задает тип нормализации для данного method
,methodtype
)method
. Например, normalize(A,'norm',Inf)
нормирует данные в A
использование нормы по бесконечности.
Нормируйте данные в векторе и матрице путем вычисления z-счета.
Создайте векторный v
и вычислите z-счет, нормировав данные, чтобы иметь среднее значение 0 и стандартное отклонение 1.
v = 1:5; N = normalize(v)
N = 1×5
-1.2649 -0.6325 0 0.6325 1.2649
Создайте матричный B
и вычислите z-счет к каждому столбцу. Затем нормируйте каждую строку.
B = magic(3)
B = 3×3
8 1 6
3 5 7
4 9 2
N1 = normalize(B)
N1 = 3×3
1.1339 -1.0000 0.3780
-0.7559 0 0.7559
-0.3780 1.0000 -1.1339
N2 = normalize(B,2)
N2 = 3×3
0.8321 -1.1094 0.2774
-1.0000 0 1.0000
-0.2774 1.1094 -0.8321
Масштабируйте векторный A
его стандартным отклонением.
A = 1:5;
Ns = normalize(A,'scale')
Ns = 1×5
0.6325 1.2649 1.8974 2.5298 3.1623
Масштабируйте A
так, чтобы его область значений была в интервале [0,1].
Nr = normalize(A,'range')
Nr = 1×5
0 0.2500 0.5000 0.7500 1.0000
Создайте векторный A
и нормируйте его на его 1 норму.
A = 1:5;
Np = normalize(A,'norm',1)
Np = 1×5
0.0667 0.1333 0.2000 0.2667 0.3333
Сосредоточьте данные в A
так, чтобы это имело среднее значение 0.
Nc = normalize(A,'center','mean')
Nc = 1×5
-2 -1 0 1 2
Составьте таблицу, содержащую информацию о высоте для пяти человек.
LastName = {'Sanchez';'Johnson';'Lee';'Diaz';'Brown'}; Height = [71;69;64;67;64]; T = table(LastName,Height)
T=5×2 table
LastName Height
_________ ______
'Sanchez' 71
'Johnson' 69
'Lee' 64
'Diaz' 67
'Brown' 64
Нормируйте данные о высоте на максимальную высоту.
N = normalize(T,'norm',Inf,'DataVariables','Height')
N=5×2 table
LastName Height
_________ _______
'Sanchez' 1
'Johnson' 0.97183
'Lee' 0.90141
'Diaz' 0.94366
'Brown' 0.90141
A
— Входные данныеВходные данные в виде скаляра, вектора, матрицы, многомерного массива, таблицы или расписания.
Если A
числовой массив и имеет, вводят single
, затем выход также имеет, вводят single
. В противном случае выход имеет, вводят double
.
normalize
игнорирует NaN
значения в A
.
Типы данных: double |
single
| table
| timetable
Поддержка комплексного числа: Да
dim
— РазмерностьВеличина для работы, заданная как положительный целый скаляр.
Типы данных: double |
single
| int8
| int16
| int32
| int64
| uint8
| uint16
| uint32
| uint64
method
— Метод нормализации'zscore'
(значение по умолчанию) | 'norm'
| 'scale'
| 'range'
| 'center'
| 'medianiqr'
Метод нормализации в виде одной из следующих опций:
Метод | Описание |
---|---|
| z- со средним значением 0 и стандартным отклонением 1 |
| 2-норма |
| Шкала стандартным отклонением |
| Диапазон шкалы данных к [0,1] |
| Центральные данные, чтобы иметь среднее значение 0 |
| Сосредоточьте и масштабируйте данные, чтобы иметь средний 0 и межквартильный размах 1 |
methodtype
— Тип методаТип метода в виде скаляра, вектора-строки с 2 элементами или имени типа, в зависимости от заданного метода:
Метод | Опции типа метода | Описание |
---|---|---|
|
| Центр и шкала, чтобы иметь среднее значение 0 и стандартное отклонение 1 |
| Центр и шкала, чтобы иметь средний 0 и среднее абсолютное отклонение 1 | |
| Положительный числовой скаляр (значение по умолчанию равняется 2), | p- |
| Норма по бесконечности | |
|
| Шкала стандартным отклонением |
| Шкала средним абсолютным отклонением | |
| Шкала первым элементом данных | |
| Масштабируйте данные межквартильным размахом | |
Числовой скаляр | Масштабируйте данные числовым значением | |
| Вектор-строка с 2 элементами (значение по умолчанию [0 1]), | Интервал формы [a b] где a < b |
|
| Центр, чтобы иметь среднее значение 0 |
| Центр, чтобы иметь средний 0 | |
Числовой скаляр | Центр сдвига числовым значением |
datavars
— Табличные переменныеvartype
индексТабличные переменные в виде разделенной запятой пары, состоящей из 'DataVariables'
и скаляр, вектор, массив ячеек, указатель на функцию или таблица vartype
индекс. 'DataVariables'
значение указывает, какие переменные входной таблицы работать с, и может быть одно из следующего:
Вектор символов или скалярная строка, задающая одно имя табличной переменной
Массив ячеек из символьных векторов или массив строк, где каждым элементом является имя табличной переменной
Вектор из индексов табличной переменной
Логический вектор, элементы которого каждый соответствует табличной переменной, где true
включает соответствующую переменную и false
исключает его
Указатель на функцию, который берет таблицу в качестве входа и возвращает логический скаляр
Таблица vartype
индекс
Пример: 'Age'
Пример: {'Height','Weight'}
Пример: @isnumeric
Пример: vartype('numeric')
Для случайной переменной X со средним значением μ и стандартное отклонение σ, z - счет значения x Для выборочных данных со средним значением и стандартное отклонение S, z - счет точки данных x
z- измеряют расстояние точки данных от среднего значения в терминах стандартного отклонения. Стандартизированный набор данных имеет среднее значение 0 и стандартное отклонение 1, и сохраняет свойства формы исходного набора данных (та же скошенность и эксцесс).
Общее определение для p - норма векторного v, который имеет элементы N,
где p является любым положительным действительным значением, Inf
, или -Inf
. Некоторые общие значения p:
Если p равняется 1, то получившаяся 1 норма является суммой абсолютных значений векторных элементов.
Если p равняется 2, то получившаяся 2-норма дает векторную величину или Евклидову длину вектора.
Если p является Inf
то .
Межквартильный размах (IQR) набора данных описывает область значений средних 50% значений, когда значения сортируются. Если медианой данных является Q2, медианой более низкой половины данных является Q1, и медианой верхней половины данных является Q3, то .
IQR обычно предпочитается по рассмотрению полного спектра данных, когда данные содержат выбросы (очень большие или очень маленькие значения), потому что IQR исключает самое большое 25%-е и самые маленькие 25% значений в данных.
Среднее абсолютное отклонение (MAD) набора данных является средним значением абсолютных отклонений от медианы из данных: . Поэтому MAD описывает изменчивость данных относительно медианы.
MAD обычно предпочитается по использованию стандартного отклонения данных, когда данные содержат выбросы (очень большие или очень маленькие значения) потому что отклонения квадратов стандартного отклонения от среднего значения, давая выбросам незаконно большой удар. С другой стороны отклонения небольшого количества выбросов не влияют на значение MAD.
Указания и ограничения по применению:
'medianiqr'
и normalize(___,'scale','iqr')
методы не поддерживаются.
Методы нормализации, которые требуют вычисления медианы только, поддерживают векторные данные. Это включает методы normalize(___,'zscore','robust')
, normalize(___,'scale','mad')
, и normalize(___,'center','median')
.
'DataVariables'
пара "имя-значение" не может задать указатель на функцию.
Для получения дополнительной информации см. Раздел "Высокие массивы".
Эта функция полностью поддерживает массивы графического процессора. Для получения дополнительной информации смотрите функции MATLAB Запуска на графическом процессоре (Parallel Computing Toolbox).
Указания и ограничения по применению:
Синтаксис normalize(___,'medianiqr')
не поддерживается.
Синтаксис normalize(___,'scale','iqr')
не поддерживается.
Для получения дополнительной информации смотрите функции MATLAB Запуска с Распределенными Массивами (Parallel Computing Toolbox).
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.