1、(0,1)標準化：

from sklearn.preprocessing import MinMaxScaler

這是最簡單也是最容易想到的方法，通過遍歷feature vector裡的每一個列資料，將Max和Min的記錄下來，並通過Max-Min作為基數（即Min=0，Max=1）進行資料的歸一化處理：

def MaxMinNormalization(x,Max,Min):  
    x = (x - Min) / (Max - Min);  
    return x;  


'''
sklearn 包就是這麼處理的，輸入必須是二維陣列，每個尺度是縱向分的，

舉個例子X_train為（2,3）矩陣，Min為第一列的最小值，第二列的最小值，第三列的最小值
                            Max 為第一列的最大值，為第一列的最大值，第二列的最大值

下面的例子結果：temp
array([[0., 1., 0.],
       [1., 0., 1.]])
scaler.scale_   為   1/ (Max - Min)
array([0.5       , 0.5       , 0.33333333])
'''
import numpy as np
from sklearn.preprocessing import MinMaxScaler

X_train = np.array([[ 2., 4.,  2.], 
                    [4,   2,    5]
                   ])
scaler = MinMaxScaler(feature_range=(0, 1))
temp = scaler.fit_transform(X_train)
print(scaler.scale_)#  array([0.5       , 0.5       , 0.33333333])
scaler.min_      #     array([-1.        , -1.        , -0.66666667])

scaler.inverse_transform(X_train )  # 預測完成後你歸一化 要保證和X_train 一個形狀
 

還有一個函式fit_transform很像transform，這裡就用fit_transform就可以，什麼情況下都用fit_transform，就完事了

scaler.min_  目前代表什麼還不知道呢。

scaler.inverse_transform(X_train )  # 預測完成後你歸一化 要保證和X_train 一個形狀

迴歸預測一般來說是（n,1）資料預測（n,1）的資料（有一些預測結果是（n,）的資料，需要變成（n，1）的資料，其實（n,）經驗證也可以，）

將預測結果傳入inverse_transform  API 中，即可。

找大小的方法直接用np.max()

3、Sigmoid函式

Sigmoid函式是一個具有S形曲線的函式，是良好的閾值函式，在(0, 0.5)處中心對稱，在(0, 0.5)附近有比較大的斜率而當資料趨向於正無窮和負無窮的時候，映射出來的值就會無限趨向於1和0.

個人非常喜歡的“歸一化方法”，之所以打引號是因為我覺得Sigmoid函式在閾值分割上也有很不錯的表現，根據公式的改變，就可以改變分割閾值，這裡作為歸一化方法，我們只考慮(0, 0.5)作為分割閾值的點的情況：

def sigmoid(X,useStatus):  #這裡useStatus管理是否使用sigmoid的狀態，方便除錯使用
    if useStatus:  
        return 1.0 / (1 + np.exp(-float(X)))
    else:  
        return float(X)