1、(0,1)标准化：
from sklearn.preprocessing import MinMaxScaler
这是最简单也是最容易想到的方法，通过遍历feature vector里的每一个列数据，将Max和Min的记录下来，并通过Max-Min作为基数（即Min=0，Max=1）进行数据的归一化处理：
def MaxMinNormalization(x,Max,Min):
x = (x - Min) / (Max - Min);
return x;
'''
sklearn 包就是这么处理的，输入必须是二维数组，每个尺度是纵向分的，
举个例子X_train为（2,3）矩阵，Min为第一列的最小值，第二列的最小值，第三列的最小值
Max 为第一列的最大值，为第一列的最大值，第二列的最大值
下面的例子结果：temp
array([[0., 1., 0.],
[1., 0., 1.]])
scaler.scale_ 为 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 ) # 预测完成后你归一化 要保证和X_train 一个形状还有一个函数fit_transform很像transform，这里就用fit_transform就可以，什么情况下都用fit_transform，就完事了
scaler.min_ 目前代表什么还不知道呢。
scaler.inverse_transform(X_train ) # 预测完成后你归一化 要保证和X_train 一个形状
回归预测一般来说是（n,1）数据预测（n,1）的数据（有一些预测结果是（n,）的数据，需要变成（n，1）的数据，其实（n,）经验证也可以，）
将预测结果传入inverse_transform API 中，即可。
找大小的方法直接用np.max()和np.min()就行了，尽量不要用python内建的max()和min()，除非你喜欢用List.可以试试np.argsort() 和 np.argmax()
3、Sigmoid函数
Sigmoid函数是一个具有S形曲线的函数，是良好的阈值函数，在(0, 0.5)处中心对称，在(0, 0.5)附近有比较大的斜率而当数据趋向于正无穷和负无穷的时候，映射出来的值就会无限趋向于1和0.
个人非常喜欢的“归一化方法”，之所以打引号是因为我觉得Sigmoid函数在阈值分割上也有很不错的表现，根据公式的改变，就可以改变分割阈值，这里作为归一化方法，我们只考虑(0, 0.5)作为分割阈值的点的情况：
def sigmoid(X,useStatus): #这里useStatus管理是否使用sigmoid的状态，方便调试使用
if useStatus:
return 1.0 / (1 + np.exp(-float(X)))
else:
return float(X)