Как нормализовать данные в диапазоне 0-1?

Я потерян в нормировании, может кто-нибудь направит меня, пожалуйста.

У меня есть минимальное и максимальное значения, скажем, -23,89 и 7,54990767 соответственно.

Если я получу значение 5,6878, как я могу масштабировать это значение по шкале от 0 до 1.

Если вы хотите нормализовать ваши данные, вы можете сделать это так, как вы предлагаете, и просто рассчитать следующее:

где $x=(x_1,...,x_n)$ и $z_i$ теперь ваш $i^{th}$ нормализованный данные. В качестве подтверждения концепции (хотя вы не просили об этом) приведем Rкод и сопровождающий график, чтобы проиллюстрировать этот момент:

# Example Data
x = sample(-100:100, 50)

#Normalized Data
normalized = (x-min(x))/(max(x)-min(x))

# Histogram of example data and normalized data
par(mfrow=c(1,2))
hist(x,          breaks=10, xlab="Data",            col="lightblue", main="")
hist(normalized, breaks=10, xlab="Normalized Data", col="lightblue", main="")

Общая однострочная формула для линейного масштабирования значений данных с учетом min и max в новый произвольный диапазон min ' to max' имеет вид

  newvalue= (max'-min')/(max-min)*(value-max)+max'
  or
  newvalue= (max'-min')/(max-min)*(value-min)+min'.

Вот моя реализация PHP для нормализации:

function normalize($value, $min, $max) {
	$normalized = ($value - $min) / ($max - $min);
	return $normalized;
}

Но пока я строил свои собственные искусственные нейронные сети, мне нужно было преобразовать нормализованный вывод обратно в исходные данные, чтобы получить хороший читаемый вывод для графика.

function denormalize($normalized, $min, $max) {
	$denormalized = ($normalized * ($max - $min) + $min);
	return $denormalized;
}

$int = 12;
$max = 20;
$min = 10;

$normalized = normalize($int, $min, $max); // 0.2
$denormalized = denormalize($normalized, $min, $max); //12

Денормализация использует следующую формулу:

$x (\text{max} - \text{min}) + \text{min}$

Деление на ноль

Следует иметь в виду, что max - min может быть равно нулю. В этом случае вы не захотите выполнять это разделение.

Это может произойти, когда все значения в списке, который вы пытаетесь нормализовать, совпадают. Чтобы нормализовать такой список, каждый элемент будет 1 / length.

// JavaScript
function normalize(list) {
   var minMax = list.reduce((acc, value) => {
      if (value < acc.min) {
         acc.min = value;
      }

      if (value > acc.max) {
         acc.max = value;
      }

      return acc;
   }, {min: Number.POSITIVE_INFINITY, max: Number.NEGATIVE_INFINITY});

   return list.map(value => {
      // Verify that you're not about to divide by zero
      if (minMax.max === minMax.min) {
         return 1 / list.length
      }

      var diff = minMax.max - minMax.min;
      return (value - minMax.min) / diff;
   });
}

Пример:

normalize([3, 3, 3, 3]); // output => [0.25, 0.25, 0.25, 0.25]

ответ правильный, но у меня есть предположение, что если ваши тренировочные данные окажутся за пределами допустимого числа? Вы могли бы использовать технику раздавливания. это гарантированно никогда не выйдет за пределы диапазона. а не это

я рекомендую использовать это

с раздавливанием, как это в минимальной и максимальной дальности

и размер ожидаемого разрыва вне диапазона прямо пропорционален степени уверенности в том, что будут значения вне диапазона.

Для получения дополнительной информации вы можете Google: сжатие чисел вне диапазона и обратитесь к книге подготовки данных "Дориан Пайл"

Попробуй это. Это соответствует функциональной шкале

normalize <- function(x) { 
  x <- as.matrix(x)
  minAttr=apply(x, 2, min)
  maxAttr=apply(x, 2, max)
  x <- sweep(x, 2, minAttr, FUN="-") 
  x=sweep(x, 2,  maxAttr-minAttr, "/") 
  attr(x, 'normalized:min') = minAttr
  attr(x, 'normalized:max') = maxAttr
  return (x)
}