1.定義不同

標準化（Standardization），也稱為Z-score Normalization，是將數(shù)據(jù)按比例縮放，使之符合標準正態(tài)分布，即均值為0，標準差為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.計算方法不同

標準化的計算方法是減去均值后除以標準差，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.使用場景不同

標準化通常用于需要計算距離的算法，如SVM，KNN，LR，以及神經(jīng)網(wǎng)絡等。而歸一化適用于對參數(shù)大小敏感，或者最大最小值已知的場景，如梯度下降，深度學習等。

4.處理效果不同

標準化處理后的數(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.對異常值的影響不同

標準化由于涉及均值和標準差，對異常值比較敏感，異常值的存在可能會影響處理后數(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，對異常值相對魯棒。

延伸閱讀

選擇標準化還是歸一化

在實際的數(shù)據(jù)處理中，選擇標準化還是歸一化，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，那么標準化可能是一個更好的選擇。因為標準化能夠保持數(shù)據(jù)的分布形狀，且許多機器學習算法（如線性回歸，邏輯回歸，支持向量機等）在設(shè)計時都假設(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。因為歸一化對異常值有較好的魯棒性。

3.在深度學習中，由于激活函數(shù)（如sigmoid，tanh等）的輸出范圍有限，因此通常需要對輸入數(shù)據(jù)進行歸一化。

總的來說，標準化和歸一化都有各自的優(yōu)勢，選擇哪種方法需要根據(jù)實際應用場景和數(shù)據(jù)特性進行權(quán)衡。在不確定的情況下，可以都嘗試一下，然后選擇在驗證集上效果較好的方法。