网站建设发展情况,个性化网站建设费用,网站建设哪一家好,百度地图官方最新版本下载在机器学习中#xff0c;对数据进行归一化处理是一种常用的技术。
将数据从各种各样分布调整为平均值为 0 0 0、方差为 1 1 1 的标准分布#xff0c;在很多情况下都可以有效地加速模型的训练。
这里假定需要处理的数据为 n n n 个整数 a 1 , a 2 , ⋯ , a n a_1,a_2,⋯…在机器学习中对数据进行归一化处理是一种常用的技术。
将数据从各种各样分布调整为平均值为 0 0 0、方差为 1 1 1 的标准分布在很多情况下都可以有效地加速模型的训练。
这里假定需要处理的数据为 n n n 个整数 a 1 , a 2 , ⋯ , a n a_1,a_2,⋯,a_n a1,a2,⋯,an。
这组数据的平均值 方差 使用如下函数处理所有数据得到的 n n n 个浮点数 f ( a 1 ) , f ( a 2 ) , ⋯ , f ( a n ) f(a_1),f(a_2),⋯,f(a_n) f(a1),f(a2),⋯,f(an) 即满足平均值为 0 0 0 且方差为 1 1 1 输入格式 第一行包含一个整数 n n n表示待处理的整数个数。
第二行包含空格分隔的 n n n 个整数依次表示 a 1 , a 2 , ⋯ , a n a_1,a_2,⋯,a_n a1,a2,⋯,an。
输出格式 输出共 n n n 行每行一个浮点数依次表示按上述方法归一化处理后的数据 f ( a 1 ) , f ( a 2 ) , ⋯ , f ( a n ) f(a_1),f(a_2),⋯,f(a_n) f(a1),f(a2),⋯,f(an) 。
如果你输出的每个浮点数与参考结果相比均满足绝对误差不大于 1 0 − 4 10^{−4} 10−4则该测试点满分否则不得分。
数据范围 全部的测试数据保证 n , ∣ a i ∣ ≤ 1000 n,|a_i|≤1000 n,∣ai∣≤1000其中 ∣ a i ∣ |a_i| ∣ai∣ 表示 a i a_i ai 的绝对值。且输入的 n n n 个整数 a 1 , a 2 , ⋯ , a n a_1,a_2,⋯,a_n a1,a2,⋯,an 满足方差 D ( a ) ≥ 1 D(a)≥1 D(a)≥1。
输入样例
7
-4 293 0 -22 12 654 1000
输出样例
-0.7485510379073613
0.04504284674812264
-0.7378629047806881
-0.7966476369773906
-0.7057985054006686
1.0096468614303775
1.9341703768876082样例解释
平均值 a ˉ ≈ 276.14285714285717 \bar a ≈ 276.14285714285717 aˉ≈276.14285714285717
方差 D ( a ) ≈ 140060.69387755104 D(a)≈140060.69387755104 D(a)≈140060.69387755104
标准差 D ( a ) ≈ 374.24683549437134 \sqrt{D(a)}≈374.24683549437134 D(a) ≈374.24683549437134 #includeiostream
#includecmathusing namespace std;const int N 1010;int n;
int a[N];int main(){scanf(%d, n);int sum 0;for(int i 0; i n; i) scanf(%d, a[i]), sum a[i];double avg sum * 1.0 / n;double sdiff 0;for(int i 0; i n; i) sdiff (a[i] - avg) * (a[i] - avg);sdiff sqrt(sdiff / n);for(int i 0; i n; i) printf(%.16f\n, (a[i] - avg) / sdiff);return 0;
}
