Normalisierung ist gut zu verwenden, wenn Sie wissen, dass die Verteilung Ihrer Daten keiner Gaußschen Verteilung folgt. … Andererseits kann die Standardisierung hilfreich sein, wenn die Daten einer Gaußschen Verteilung folgen.
Soll ich Normalisierung oder Standardisierung verwenden?
Normalisierung ist nützlich, wenn Ihre Daten unterschiedliche Skalen aufweisen und der von Ihnen verwendete Algorithmus keine Annahmen über die Verteilung Ihrer Daten trifft, z. B. k-nächste Nachbarn und künstliche neuronale Netze. Standardisierung geht davon aus, dass Ihre Daten eine Gaußsche Verteilung (Glockenkurve) aufweisen.
Ist Standardisierung dasselbe wie Normalisierung?
In der Geschäftswelt bedeutet "Normalisierung" typischerweise, dass der Wertebereich " auf 0 normalisiert wird.0 bis 1,0". "Standardisierung" bedeutet normalerweise, dass der Wertebereich "standardisiert" ist, um zu messen, wie viele Standardabweichungen der Wert von seinem Mittelwert entfernt ist.
Ist es immer gut, Daten zu normalisieren?
Durch die Normalisierung werfen Sie tatsächlich einige Informationen über die Daten weg, wie z. B. die absoluten Höchst- und Mindestwerte. Also, es gibt keine Faustregel. Wie andere sagten, ist die Normalisierung nicht immer anwendbar; z. B. aus praktischer Sicht.
Wann sollten Sie Daten nicht normalisieren?
Einige gute Gründe, nicht zu normalisieren
- Joins sind teuer. Das Normalisieren Ihrer Datenbank beinh altet oft das Erstellen vieler Tabellen. …
- Normalisiertes Design ist schwierig. …
- Schnell und schmutzig sollte schnell und schmutzig sein. …
- Wenn Sie eine NoSQL-Datenbank verwenden, ist eine herkömmliche Normalisierung nicht wünschenswert.
