归一性

归一性 (Normalization)

归一性是数学、统计学与计算机科学中的基本概念，其核心是将一组数据或函数通过数学变换缩放到一个"标准"形式——通常意味着总和为1、范数为1或数值范围在 $[0,1]$ 区间内。归一化的主要目的在于消除量纲或值域差异，使数据可比或满足特定理论框架（如概率论）的公理化要求。

统计学与机器学习中的归一化

在数据科学和机器学习中，归一化通常指特征缩放 (Feature Scaling)，将不同尺度的特征映射到同一固定范围，以提升模型训练效率。

最小-最大归一化 (Min-Max Normalization) 是最常见的技术，将原始数据线性映射到 $[0, 1]$：

许多算法（尤其是基于梯度下降的线性回归、神经网络和基于距离的K-近邻算法 (KNN)、支持向量机 (SVM)）对特征尺度高度敏感。未归一化时，数值范围大的特征会主导优化过程，导致收敛缓慢甚至失败。

与标准化的区别：标准化（Z-score normalization）将数据转换为均值为0、标准差为1的分布：$x'_{\text{std}} = (x - \mu)/\sigma$。与归一化不同，标准化无严格边界，但对离群值较不敏感。

概率论中的归一性

在概率论中，归一性是公理体系的基石：所有可能结果的概率之和必须等于1，代表"某一结果必然发生"的确定性。

离散分布：随机变量 $X$ 取值 $x_1,\dots,x_n$ 时，$\sum_i P(X=x_i) = 1$。

连续分布：概率密度函数 $f(x)$ 在整个定义域上的积分为1：$\int_{-\infty}^{\infty} f(x)\,dx = 1$。若某非负可积函数 $g(x)$ 的积分为常数 $C$，则 $f(x) = g(x)/C$ 即为归一化后的密度函数，$C$ 称为归一化常数。

线性代数中的归一化

在线性代数中，归一化指将非零向量转换为方向相同但长度（范数）为1的单位向量。对于向量 $\vec{v}$，其单位向量为：

最常用的是欧几里得范数（L2范数）：$\|\vec{v}\| = \sqrt{v_1^2 + v_2^2 + \cdots + v_n^2}$。向量归一化在余弦相似度计算中至关重要，使得相似度仅依赖于方向而非向量长度。

量子力学中的归一性

在量子力学中，粒子的状态由波函数 $\Psi(x, t)$ 描述。根据玻恩的统计诠释，$|\Psi(x, t)|^2$ 代表在时间 $t$、位置 $x$ 处发现粒子的概率密度。由于粒子必然存在于宇宙某处，波函数必须满足归一化条件：

这确保了从波函数计算出的概率符合概率论公理，是量子力学的基本假定之一。