normalize

Нормируйте данные

Описание

пример

N = normalize(A) возвращает vectorwise z - счет данных в 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.

пример

N = normalize(A,dim) возвращается z - выигрывают по измерению dim. Например, normalize(A,2) нормирует каждую строку.

пример

N = normalize(___,method) задает метод нормализации для любого из предыдущих синтаксисов. Например, normalize(A,'norm') нормирует данные в A Евклидовой нормой (2-норма).

пример

N = normalize(___,method,methodtype) задает тип нормализации для данного method. Например, normalize(A,'norm',Inf) нормирует данные в A использование нормы по бесконечности.

пример

N = normalize(___,'DataVariables',datavars) задает переменные, чтобы работать с тем, когда входные данные находятся в таблице или расписании.

Примеры

свернуть все

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

Входные параметры

свернуть все

Входные 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

Величина для работы, заданная как положительный целый скаляр.

Типы данных: double | single | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

Метод нормализации в виде одной из следующих опций:

Метод

Описание

'zscore'

z- со средним значением 0 и стандартным отклонением 1

'norm'

2-норма

'scale'

Шкала стандартным отклонением

'range'

Диапазон шкалы данных к [0,1]

'center'

Центральные данные, чтобы иметь среднее значение 0

'medianiqr'

Сосредоточьте и масштабируйте данные, чтобы иметь средний 0 и межквартильный размах 1

Тип метода в виде скаляра, вектора-строки с 2 элементами или имени типа, в зависимости от заданного метода:

Метод

Опции типа метода

Описание

'zscore'

'std' (значение по умолчанию)

Центр и шкала, чтобы иметь среднее значение 0 и стандартное отклонение 1

'robust'

Центр и шкала, чтобы иметь средний 0 и среднее абсолютное отклонение 1

'norm'

Положительный числовой скаляр (значение по умолчанию равняется 2),

p-

Inf

Норма по бесконечности

'scale'

'std' (значение по умолчанию)

Шкала стандартным отклонением

'mad'

Шкала средним абсолютным отклонением

'first'

Шкала первым элементом данных

'iqr'

Масштабируйте данные межквартильным размахом

Числовой скаляр

Масштабируйте данные числовым значением

'range'

Вектор-строка с 2 элементами (значение по умолчанию [0 1]),

Интервал формы [a b] где a < b

'center'

'mean'

Центр, чтобы иметь среднее значение 0

'median'

Центр, чтобы иметь средний 0

Числовой скаляр

Центр сдвига числовым значением

Табличные 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')

Больше о

свернуть все

Z-

Для случайной переменной X со средним значением μ и стандартное отклонение σ, z - счет значения x z=(xμ)σ. Для выборочных данных со средним значением X¯ и стандартное отклонение S, z - счет точки данных x z=(xX¯)S.

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).

P-

Общее определение для p - норма векторного v, который имеет элементы N,

vp=[k=1N|vk|p]1/p,

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 Infто v=maxi(|v(i)|).

Межквартильный размах

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 = Q3 - Q1.

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

Среднее абсолютное отклонение (MAD) набора данных является средним значением абсолютных отклонений от медианы X˜ из данных: MAD=медиана(|xX˜|). 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.

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

| |

Введенный в R2018a
Для просмотра документации необходимо авторизоваться на сайте