1.定義不同

標(biāo)準(zhǔn)化（Standardization），也稱為Z-score Normalization，是將數(shù)據(jù)按比例縮放，使之符合標(biāo)準(zhǔn)正態(tài)分布，即均值為0，標(biāo)準(zhǔn)差為1。而歸一化（Normalization）通常是將數(shù)據(jù)縮放到[0,1]或者[-1,1]的范圍內(nèi)。

2.計(jì)算方法不同

標(biāo)準(zhǔn)化的計(jì)算方法是減去均值后除以標(biāo)準(zhǔn)差，而歸一化通常是減去最小值后除以最大值和最小值的差。

3.使用場(chǎng)景不同

標(biāo)準(zhǔn)化通常用于需要計(jì)算距離的算法，如SVM，KNN，LR，以及神經(jīng)網(wǎng)絡(luò)等。而歸一化適用于對(duì)參數(shù)大小敏感，或者最大最小值已知的場(chǎng)景，如梯度下降，深度學(xué)習(xí)等。

4.處理效果不同

標(biāo)準(zhǔn)化處理后的數(shù)據(jù)保持了原數(shù)據(jù)的分布形狀，而歸一化則更側(cè)重于數(shù)據(jù)的尺度變換，不考慮數(shù)據(jù)的分布形狀。

5.對(duì)異常值的影響不同

標(biāo)準(zhǔn)化由于涉及均值和標(biāo)準(zhǔn)差，對(duì)異常值比較敏感，異常值的存在可能會(huì)影響處理后數(shù)據(jù)的分布。而歸一化則主要受到最大值和最小值的影響，對(duì)異常值相對(duì)魯棒。

延伸閱讀

選擇標(biāo)準(zhǔn)化還是歸一化

在實(shí)際的數(shù)據(jù)處理中，選擇標(biāo)準(zhǔn)化還是歸一化，主要取決于數(shù)據(jù)的特性和模型的需求：

1.如果數(shù)據(jù)的分布接近正態(tài)分布，那么標(biāo)準(zhǔn)化可能是一個(gè)更好的選擇。因?yàn)闃?biāo)準(zhǔn)化能夠保持?jǐn)?shù)據(jù)的分布形狀，且許多機(jī)器學(xué)習(xí)算法（如線性回歸，邏輯回歸，支持向量機(jī)等）在設(shè)計(jì)時(shí)都假設(shè)輸入數(shù)據(jù)是正態(tài)分布的。

2.如果數(shù)據(jù)存在異常值，或者最大最小值非常不穩(wěn)定，歸一化可能更為合適。因?yàn)闅w一化對(duì)異常值有較好的魯棒性。

3.在深度學(xué)習(xí)中，由于激活函數(shù)（如sigmoid，tanh等）的輸出范圍有限，因此通常需要對(duì)輸入數(shù)據(jù)進(jìn)行歸一化。

總的來說，標(biāo)準(zhǔn)化和歸一化都有各自的優(yōu)勢(shì)，選擇哪種方法需要根據(jù)實(shí)際應(yīng)用場(chǎng)景和數(shù)據(jù)特性進(jìn)行權(quán)衡。在不確定的情況下，可以都嘗試一下，然后選擇在驗(yàn)證集上效果較好的方法。