Machine learning 如何计算z分数归一化？

我对如何进行z分数归一化感到困惑。我已经找到了这样做的方程式，需要平均值和标准差，但考虑到我的情况，我不确定如何计算

我的系统中有两个分类器。为了一起使用分数，我知道我需要对它们进行归一化，因为它们在尺度等方面会有所不同。我希望使用z分数归一化。我的问题是，考虑到两个分类器的2个分数，我需要如何处理这些分数以使z分数正常化？我希望能够将它们合并/比较

---

我（可能有缺陷！）的理解是，对于分类器分数集，我们使用平均值和标准偏差。但是我们不能总是假设我们已经有了一个分数集来获得平均值和标准偏差，对吗

要计算一组给定数字的z分数，需要计算样本平均值和样本偏差。从每个分数中减去平均值，再除以标准差。 考虑下面的一组数字，每个观察值是从0到100的测试分数。

{40, 50, 60, 55, 70, 80, 90}

如果您想比较另一组测试分数，测试分数范围为0到250，例如：

{100, 115, 214, 50, 200, 80, 90}

你不能直接比较它们。也就是说，第二盘得分80分明显比第一盘得分80分差（80/250比80/100）。一种方法是使用z分数。它们的计算方法如下：

找到平均值

第一组的平均值为：63.57143 第二组的平均值为：121.2857

从每个分数中减去样本平均值。这将为您提供一组以零为中心的数字

{-23.571429、-13.571429、-3.571429、-8.571429、6.428571、16.428571、26.428571} {-21.285714、-6.285714、92.714286、-71.285714、78.714286、-41.285714、-31.285714}

计算原始集合的标准偏差，并将“居中”分数除以该数字：

设定1西格玛=17.49149

设定2西格玛=61.98041

计算结果如下：

{-1.3475937，-0.7758873，-0.2041809。-0.4900341，0.3675256，0.9392320，1.5109384} {-0.3434265、-0.1014145、1.4958643、-1.1501330、1.2699865、-0.6661091、-0.5047678}

---

现在有两组数字可以直接比较。值为零表示它是集合的平均值。高于集合平均值1个标准偏差的值。值-1表示它比平均值低一个标准偏差，依此类推。

谢谢。但在我的问题中，我问如果我得到2个分类器分数，我怎么能做到这一点？如何仅从两个分类器得分计算平均值？我无法生成n个分数使其正常化，我希望立即比较这2个分数。