归一化、中心化、标准化，傻傻分不清楚？

主要观点总结

文章介绍了在数据处理中常见的三个术语：中心化、归一化和标准化，并详细解释了它们的定义、方法、用途和公式。文章还提到了在R语言中使用scale函数进行中心化和标准化的方法。文章强调了解这三者的区别对数据处理和机器学习非常重要。

关键观点总结

关键观点1: 中心化（Centering）的定义和方法

中心化是将数据的均值调整为零，对于每个数据点，从其值中减去数据的均值。中心化可以使数据分布更加对称，便于下一步的处理。

关键观点2: 归一化（Normalization）的定义和方法

归一化是将数据缩放到一个特定的范围内（通常是[0, 1]），通过减去最小值并除以数据的范围（最大值减去最小值）来实现。归一化适用于需要距离计算的算法，如KNN。

关键观点3: 标准化的狭义和广义定义

标准化是将数据调整为均值为零，标准差为一的分布。狭义上特指z-score标准化，通过减去均值并除以标准差来实现。广义上的标准化是指将数据转换为某种标准形式，以便于比较和分析。

关键观点4: 中心化、归一化和标准化在数据处理中的应用

这三者在数据处理中各有其独特的用途。中心化可以消除批次效应，归一化可以调整不同基因表达量的尺度，标准化可以平衡高低表达基因的影响。在单细胞数据处理中，正确应用这些方法可以显著提高数据分析的质量和可靠性。

关键观点5: R语言中scale函数的使用

在R语言中，可以使用scale函数便捷地实现中心化和标准化。该函数可以选择是否进行中心化和标准化，从而满足不同的数据处理需求。

免责声明