一. 为什么需要特征缩放
对于大多数的机器学习算法和优化算法来说，将特征值缩放到相同区间可以使得获取性能更好的模型。就梯度下降算法而言，例如有两个不同的特征，第一个特征的取值范围为1-10，第二个特征的取值范围为1-10000。在梯度下降算法中，代价函数为最小平方误差函数，所以在使用梯度下降算法的时候，算法会明显的偏向于第二个特征，因为它的取值范围更大。再比如，k近邻算法，它使用的是欧式距离，也会导致其偏向于第二个特征。
常用的特征缩放算法有两种，归一化(normalization)和标准化(standardization)。
二. 归一化（normalization）
1. 什么是归一化
归一化是利用特征的最大值，最小值，将特征的值缩放到[0,1]区间，对于每一列的特征使用min - max函数进行缩放。
2. 为什么需要归一化
- 消除纲量，加快收敛
不同特征往往具有不同的量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据归一化处理，以解决数据指标之间的可比性。原始数据经过数据归一化处理后，各指标处于[0,1]之间的小数，适合进行综合对比评价。 - 提高精度
3. 归一化的方法
-
线性归一化
利用数据集每个特征的最大值，最小值，将特征的值缩放到[0,1]区间：
在这里插入图片描述
我们发现，如果数据集确定，那么max（x）与min（x）就是固定值，那么线性归一化本质上就是一个压缩和平移的过程。
非线性归一化
经常用在数据分化比较大的场景，有些数值很大，有些很小。通过一些数学函数，将原始值进行映射。该方法包括 log、指数，正切等。需要根据数据分布的情况，决定非线性函数的曲线，比如log(V, 2)还是log(V, 10)等。
三. 标准化(standardization)
1. 什么是标准化
标准化是通过特征的平均值和标准差，将特征缩放成一个标准的正态分布，缩放后均值为0，方差为1。但即使数据不服从正态分布，也可以用此法。特别适用于数据的最大值和最小值未知，或存在孤立点。
2. 为什么要标准化
标准化是为了方便数据的下一步处理，而进行的数据缩放等变换，不同于归一化，并不是为了方便与其他数据一同处理或比较。
3. 标准化的方法
四. 归一化与标准化的区别
目的不同，归一化是为了消除纲量压缩到[0,1]区间；标准化只是调整特征整体的分布。
归一化与最大，最小值有关；标准化与均值，标准差有关。
归一化输出在[0,1]之间；标准化无限制。
