⼏种归⼀化⽅法（NormalizationMethod）python实现
云南巧家泥石流⼏种归⼀化⽅法（Normalization Method）python实现
1、(0,1)标准化：imse
这是最简单也是最容易想到的⽅法，通过遍历feature vector⾥的每⼀个数据，将Max和Min的记录下来，并通过Max-Min作为基数（即Min=0，Max=1）进⾏数据的归⼀化处理： Python实现：
中韩渔业协定def MaxMinNormalization(x,Max,Min):
x = (x - Min) / (Max - Min);
return x
⼤⼩的⽅法直接⽤np.max()和np.min()就⾏了，尽量不要⽤python内建的max()和min()
2、Z-score标准化：
这种⽅法给予原始数据的均值（mean）和标准差（standard deviation）进⾏数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，这⾥的关键在于复合标准正态分布，个⼈认为在⼀定程度上改变了特征的分布，关于使⽤经验上欢迎讨论，我对这种标准化不是⾮常地熟悉，转化函数为： Python实现：
def Z_ScoreNormalization(x,mu,sigma):
陈天蛋x = (x - mu) / sigma;
return x
这⾥⼀样，mu（即均值）⽤np.average()，sigma（即标准差）⽤np.std()即可
中华医学会3、Sigmoid函数：
Sigmoid函数是⼀个具有S形曲线的函数，是良好的阈值函数，在(0, 0.5)处中⼼对称，在(0, 0.5)附近 有⽐较⼤的斜率，⽽当数据趋向于正⽆穷和负⽆穷的时候，映射出来的值就会⽆限趋向于1和0，是个⼈⾮常喜欢的“归⼀化⽅法”，之所以打引号是因为我觉得Sigmoid函数在阈值
分割上也有很不错的表现，根据公式的改变，就可以改变分割阈值，这⾥作为归⼀化⽅法，我们只考虑(0, 0.5)作为分割阈值的点的情况：
Python实现：
创世英雄
def sigmoid(X,useStatus):
if useStatus:
return 1.0 / (1 + np.exp(-float(X)));
else:
return float(X)
这⾥useStatus管理是否使⽤sigmoid的状态，⽅便调试使⽤。
