归一化

一、直观理解：把长短不一的尺子都裁到同一段

归一化（这里主要指最小—最大归一化，Min-Max Normalization）把每个变量的取值线性压缩（或拉伸）到指定区间，最常见是 $[0,1]$，有时是 $[-1,1]$。

可以把它想成：有的指标用百分制（0–100），有的用千分制（0–1000），有的是温度从 $-10$ 到 $40$。归一化先找到每个指标在训练数据里的“最短端”和“最长端”，再按比例把所有读数标到同一把 0 到 1 的短尺上。

对第 $j$ 个变量：

$$x_{ij}^{*}=\frac{x_{ij}-\min_j}{\max_j-\min_j}$$

变换后：

• 训练集上该变量的最小值变成 0，最大值变成 1；
• 中间值按比例落在 $(0,1)$ 内；
• 变量的排序关系保持不变（严格单调的仿射变换）。

与标准化不同，归一化明确制造有界输入，因此特别受神经网络、某些图像/信号特征、需要概率型输入或固定动态范围的算法欢迎。但它的“尺子两端”完全由极值决定：只要混进一个异常大的点，$\max_j$ 被拉高，其他正常点全被挤到靠近 0 的一小段里。

二、适用场景与优缺点

类型	说明
适用场景	算法要求特征有界（部分神经网络激活、某些核方法与元启发式算法的编码）；需要把异量纲指标综合成加权评分且希望落在 $[0,1]$；像素、比例、评分卡等本身具有天然上下界；希望可视化时各轴可比。
核心优点	结果落在固定区间，直观好解释；计算极简单；保持原始分布的形状（只做平移缩放，不改变偏度的“相对形态”）。
局限与缺点	对最小值、最大值极其敏感；测试集可能出现 <0 或 >1 的越界值；不改变异常值的相对地位，只是把它们钉在 0 或 1；常数列（$\max=\min$）无法处理。

“保持形状”是相对标准化而言：两者都是线性变换，都不会把偏态变成对称。若目标是减弱偏态，应使用对数或 Box-Cox，而不是 min-max。

使用归一化前通常需要完成以下检查：

1. 变量是否近似有界、是否存在明显错误极值；
2. $\max_j$ 与 $\min_j$ 是否来自训练集，而非全数据；
3. 目标区间选 $[0,1]$ 还是 $[-1,1]$（含大量负数或要与 $\tanh$ 输入匹配时常用后者）；
4. 约定测试集越界时的策略：截断到端点，还是允许出界并记录；
5. 若用于多指标加权评价，确认“越大越好”还是“越小越好”（后者要做逆向指标变换）。

三、核心原理：按训练极值做线性映射

1. 最小—最大归一化到 $[0,1]$

$$x_{ij}^{*}=\frac{x_{ij}-m_j}{M_j-m_j},\qquad m_j=\min_i x_{ij},\; M_j=\max_i x_{ij}$$

当 $M_j=m_j$ 时分母为 0，该特征无判别信息，应剔除。

2. 映射到一般区间 $[a,b]$

$$x_{ij}^{*} = a + \frac{(x_{ij}-m_j)}{(M_j-m_j)}(b-a)$$

常用 $(a,b)=(0,1)$ 或 $(-1,1)$。

3. 逆向指标（越小越好）

综合评价里，若污染指数、成本等越小越好，可先做

$$x_{ij}' = M_j + m_j - x_{ij}$$

再归一化，或直接

$$x_{ij}^{*}=\frac{M_j-x_{ij}}{M_j-m_j}$$

这样 1 始终表示“在该指标上最优”。

4. 测试集变换与越界

$$x_{ij}^{\mathrm{test}*}= \frac{x_{ij}^{\mathrm{test}}-m_j^{\mathrm{train}}}{M_j^{\mathrm{train}}-m_j^{\mathrm{train}}}$$

若 x^{\mathrm{test}}>M^{\mathrm{train}}，则 x^{*}>1；若 x^{\mathrm{test}}<m^{\mathrm{train}}，则 x^{*}<0。这并不自动算错，但要在建模前规定：

• 硬截断：min(max(x*,0),1)，适合需要严格有界输入的模型；
• 允许出界：保留真实相对位置，适合分析“是否出现训练期未见的极端情形”。

5. 与标准化、小数定标等的关系

方法	公式要点	输出
Min-Max 归一化	减最小值除极差	常为 $[0,1]$
Z-score 标准化	减均值除标准差	无固定边界
小数定标	除以 $10^k$	压到 $(-1,1)$ 量级
均值归一化	$(x-\bar x)/(\max-\min)$	中心在 0 附近

数模论文中若写“归一化”，默认应给出具体公式，避免与标准化混淆。

四、关键决策 / 如何选参数

1. 目标区间

• $[0,1]$：最常见，便于解释为“相对位置百分比”；
• $[-1,1]$：数据本有正负对称含义，或激活函数对对称输入更友好；
• 自定义 $[a,b]$：与赛题评分公式或物理约束对齐时使用。

2. 极值是否稳健

若怀疑 $\min,\max$ 被个别错误点污染，可考虑：

• 先用箱线图 / 3σ 清理明显错误；
• 或用分位数窗口代替极值，例如 1% 与 99% 分位数做“截尾 min-max”（需在论文中改称并说明）。

3. 是否按组别分别归一化

不同年份、不同地区的“满分”若不可比，全样本统一 min-max 可能抹平组别结构。应先问：比较的是组内相对水平，还是跨组绝对水平？

4. 交叉验证

与标准化相同：每一折在训练折上重估 $m_j,M_j$，再变换验证折。

5. 与缺失、异常的顺序

先处理缺失与明显错误值，再估计 min/max。若先归一化再删异常，端点可能已由脏数据决定，清洗也救不回来。

五、MATLAB 示例

% 三列异量纲指标：温度(℃)、浓度(mg/L)、评分(0-100)
X_train = [
    10,  2.0, 60;
    25,  5.5, 80;
    18,  3.2, 70;
    30,  8.0, 90;
    12,  2.5, 65
];

X_test = [
    28,  9.0, 85;   % 浓度超过训练集最大，归一化后将 > 1
    15,  4.0, 75
];

featureNames = ["温度", "浓度", "评分"];

% 训练集极值
xMin = min(X_train, [], 1);
xMax = max(X_train, [], 1);
range = xMax - xMin;
range(range == 0) = 1;   % 避免除零

% 映射到 [0,1]
X01_train = (X_train - xMin) ./ range;
X01_test  = (X_test  - xMin) ./ range;

disp("训练集 [0,1] 归一化：");
disp(array2table(X01_train, "VariableNames", featureNames));

disp("测试集 [0,1] 归一化（可能越界）：");
disp(array2table(X01_test, "VariableNames", featureNames));

% 越界截断策略
X01_test_clipped = min(max(X01_test, 0), 1);

% 映射到 [-1,1]
X_ab_train = -1 + 2 * X01_train;

% 逆向指标示例：假设“浓度”越小越好，单独反向归一化
conc_star = (xMax(2) - X_train(:, 2)) ./ range(2);
disp("浓度（越小越好）归一化到 [0,1]，1 表示最优：");
disp(conc_star);

% 还原
X_test_recovered = X01_test .* range + xMin;
disp("还原后的测试集：");
disp(X_test_recovered);

% 可视化某一列变换前后
figure;
subplot(1, 2, 1);
histogram(X_train(:, 2));
title("浓度（原始）");
subplot(1, 2, 2);
histogram(X01_train(:, 2));
title("浓度（[0,1] 归一化）");

也可以使用 rescale（R2017b+）：

% 将训练集第 2 列缩放到 [0,1]
col2 = rescale(X_train(:, 2), 0, 1);

% 对测试集使用训练集的输入范围
col2_test = rescale(X_test(:, 2), 0, 1, ...
    "InputMin", xMin(2), "InputMax", xMax(2));

六、如何解释结果

归一化后的 $x^{*}$ 表示：

该样本在该变量上，相对于训练集观测到的最小、最大水平，所处的相对位置。

例如 $x^{*}=0.75$ 表示：从训练最小值走到训练最大值的路径上，该点大约位于 75% 处——不是概率，也不是分位数（分位数基于排序秩次，min-max 基于数值线性比例；分布不均匀时二者不同）。

报告中建议写明：

1. 归一化公式与目标区间 $[a,b]$；
2. 每个变量的 $m_j,M_j$ 及估计所用样本；
3. 正向 / 逆向指标的处理方式；
4. 测试集越界比例与处置规则；
5. 变换前后的描述统计或直方图；
6. 若用于综合评价，权重与聚合公式如何与归一化结果衔接。

若多个指标归一化后加权求和得到“综合得分”，需要强调：得分的绝对数值依赖于训练期的 min/max，换一批样本端点变了，同一原始向量的得分也会变。跨期比较时要固定端点或改用标准化等方法。

七、常见误区

1. 用含测试集甚至未来数据的全局 min/max

这会把评价或预测场景中本不可见的信息注入特征，造成虚高表现。

2. 不处理异常极值就直接 min-max

一个错误的“最大产量”就能把其余年份的归一化值全部压到近 0，后续 PCA 或评分会被扭曲。

3. 把归一化值当成概率或分位

$0.9$ 只说明靠近训练最大值，不代表“优于 90% 的样本”。

4. 对已经是比例、概率的变量再机械归一化

若变量已在 $[0,1]$ 且端点有明确含义，再做一次 min-max 可能破坏可解释性；除非不同来源的“比例”口径不一致。

5. 与标准化选错场景

需要抑制数量级、服务 PCA / 正则回归时，优先标准化；需要严格有界输入或做最小—最大型评分时，再用归一化。二者不必叠床架屋，除非有明确理由。

八、小结

归一化（最小—最大法）用训练集的两端极值做线性尺子，把变量压到统一区间，适合有界输入和多指标评分。

它的核心思想可以概括为：

先固定“最差”与“最好”两端，再按比例读取每个样本在两端之间的位置。

代价是对异常值和训练—测试分布漂移非常敏感。写论文时应给出公式、端点来源、越界策略，并与标准化明确区分。归一化改变的是读数刻度，不是分布形态，也不能替代异常值治理。