什么是数据归一化？
数据归一化（Data Normalization）是数据预处理中的核心环节，旨在将不同量级、不同单位的数据缩放到一个特定的范围（如 0 到 1）或特定的分布（如标准正态分布）。
在机器学习中，大多数算法（如 SVM、KNN、神经网络）对数据的尺度非常敏感。如果一个特征的取值范围 is [0, 1]，而另一个特征是 [0, 10000]，模型可能会过度关注数值较大的特征，导致预测结果偏差。通过归一化，我们可以平衡各个特征的权重，加快梯度下降的收敛速度。
常见算法详解
- Min-Max 归一化：也称为离差标准化。它将原始数据线性映射到 [0, 1] 之间。公式为：x' = (x - min) / (max - min)。适用于对边界有严格要求且数据分布较均匀的场景。
- Z-Score 标准化：基于原始数据的均值（mean）和标准差（standard deviation）进行缩放。处理后的数据符合均值为 0、标准差为 1 的分布。公式为：x' = (x - μ) / σ。适用于数据包含异常值（Outliers）或算法假设数据呈正态分布的场景。
- 小数定标 (Decimal Scaling)：通过移动小数点的位置进行缩放。移动的位数取决于数据中绝对值最大的那个数。
为什么选择千格数据归一化工具？
我们的工具提供了最直观、最高效的处理体验：
- 隐私安全：所有计算逻辑均在您的浏览器本地完成，数据绝不会上传到任何服务器。
- 一键统计：处理的同时自动计算均值、标准差、极值等核心统计指标。
- 多格式支持：支持逗号分隔、空格分隔或换行符分隔的原始数据输入。
- 结果导出：支持将处理后的结果导出为带有 UTF-8 BOM 的 CSV 文件，完美兼容 Excel。