咨询机器学习(ML)与深度学习(DL)中-1~1范围的归一化方法

当然有，最常用且易实现的是基于最小-最大缩放（Min-Max Scaling）的变体，直接通过公式转换即可：

scaled_value = 2 * (x - min_x) / (max_x - min_x) - 1

原理说明： #

1. 先通过(x - min_x)/(max_x - min_x)将原始数据缩放到0-1区间；
2. 乘以2后数据范围变为0-2；
3. 最后减1，就得到了-1到1区间的归一化结果。

实操注意事项： #

• 计算min_x和max_x时，必须仅使用训练集数据，不能包含测试集数据，避免数据泄露影响模型泛化能力；
• 如果数据存在异常值，建议先通过截断或移除异常值再做归一化，否则极值会压缩大部分数据的分布范围。

另一种适用场景的方法： #

如果你的数据本身围绕均值对称分布，可以用基于最大绝对偏差的缩放，公式如下：

scaled_value = (x - mean_x) / max_abs(x - mean_x)

这里max_abs(x - mean_x)是所有数据与均值差值的绝对值的最大值，这样处理后数据会被缩放到-1到1区间，同时保留数据的对称分布特性。

内容的提问来源于stack exchange，提问作者wonki cho