對每個特徵進行歸一化處理，使得每個特徵的取值縮放到0~1之間。這樣做有兩個好處：
模型訓練更高效。
特徵前的權重大小可代表該變數對**結果的貢獻度（因為每個特徵值本身的範圍相同）。
（一）歸一化的作用
在機器學習領域中，不同評價指標（即特徵向量中的不同特徵就是所述的不同評價指標）往往具有不同的量綱和量綱單位，這樣的情況會影響到資料分析的結果，為了消除指標之間的量綱影響，需要進行資料標準化處理，以解決資料指標之間的可比性。原始資料經過資料標準化處理後，各指標處於同一數量級，適合進行綜合對比評價。其中，最典型的就是資料的歸一化處理。（可以參考學習：資料標準化/歸一化）
簡而言之，歸一化的目的就是使得預處理的資料被限定在一定的範圍內（比如[0,1]或者[-1,1]），從而消除奇異樣本資料導致的不良影響。
1）在統計學中，歸一化的具體作用是歸納統一樣本的統計分布性。歸一化在0~1之間是統計的概率分布，歸一化在-1~+1之間是統計的座標分布。
2）奇異樣本資料是指相對於其他輸入樣本特別大或特別小的樣本向量（即特徵向量），譬如，下面為具有兩個特徵的樣本資料x1、x2、x3、x4、x5、x6（特徵向量—>列向量）,其中x6這個樣本的兩個特徵相對其他樣本而言相差比較大，因此，x6認為是奇異樣本資料。
奇異樣本資料的存在會引起訓練時間增大，同時也可能導致無法收斂，因此，當存在奇異樣本資料時，在進行訓練之前需要對預處理資料進行歸一化；反之，不存在奇異樣本資料時，則可以不進行歸一化。
解釋範例：
--如果不進行歸一化，那麼由於特徵向量中不同特徵的取值相差較大，會導致目標函式變「扁」。這樣在進行梯度下降的時候，梯度的方向就會偏離最小值的方向，走很多彎路，即訓練時間過長。
--如果進行歸一化以後，目標函式會呈現比較「圓」，這樣訓練速度大大加快，少走很多彎路。
綜上可知，歸一化有如下好處，即
1）歸一化後加快了梯度下降求最優解的速度；
2）歸一化有可能提高精度（如knn）
注：沒有一種資料標準化的方法，放在每乙個問題，放在每乙個模型，都能提高演算法精度和加速演算法的收斂速度。
（二）歸一化的方法
1）最大最小標準化（min-max normalization）
a）. 本歸一化方法又稱為離差標準化，使結果值對映到[0 ，1]之間，轉換函式如下：
b）. 本歸一化方法比較適用在數值比較集中的情況；
c）. 缺陷：如果max和min不穩定，很容易使得歸一化結果不穩定，使得後續使用效果也不穩定。實際使用中可以用經驗常量來替代max和min。
d）. 應用場景：在不涉及距離度量、協方差計算、資料不符合正太分布的時候，可以使用第一種方法或其他歸一化方法（不包括z-score方法）。比如影象處理中，將rgb影象轉換為灰度影象後將其值限定在[0 255]的範圍
2）z-score標準化方法
a）. 資料處理後符合標準正態分佈，即均值為0，標準差為1，其轉化函式為：
其中μ為所有樣本資料的均值，σ為所有樣本資料的標準差。
b）. 本方法要求原始資料的分布可以近似為高斯分布，否則歸一化的效果會變得很糟糕；
c）. 應用場景：在分類、聚類演算法中，需要使用距離來度量相似性的時候、或者使用pca技術進行降維的時候，z-score standardization表現更好。
3）非線性歸一化
a）. 本歸一化方法經常用在資料分化比較大的場景，有些數值很大，有些很小。通過一些數學函式，將原始值進行對映。
b）. 該方法包括 log，正切等，需要根據資料分布的情況，決定非線性函式的曲線：
---log對數函式轉換方法
y = log10(x)，即以10為底的對數轉換函式，對應的歸一化方法為：x' = log10(x) /log10(max)，其中max表示樣本資料的最大
值，並且所有樣本資料均要大於等於1.
---atan反正切函式轉換方法
利用反正切函式可以實現資料的歸一化，即
x' = atan(x)*(2/pi)
使用這個方法需要注意的是如果想對映的區間為[0，1]，則資料都應該大於等於0，小於0的資料將被對映到[－1，0]區間上.
---l2範數歸一化方法
l2範數歸一化就是特徵向量中每個元素均除以向量的l2範數：
（三）應用場景說明
1）概率模型不需要歸一化，因為這種模型不關心變數的取值，而是關心變數的分布和變數之間的條件概率；
2）svm、線性回歸之類的最優化問題需要歸一化，是否歸一化主要在於是否關心變數取值；
3）神經網路需要標準化處理，一般變數的取值在-1到1之間，這樣做是為了弱化某些變數的值較大而對模型產生影響。一般神經網路中的隱藏層採用tanh啟用函式比sigmod啟用函式要好些，因為tanh雙曲正切函式的取值[-1,1]之間，均值為0.
機器學習 標準化 歸一化的目的和作用
一 歸一化的作用 在機器學習領域中，不同 評價指標 即特徵向量中的不同特徵就是所述的不同評價指標 往往具有不同的量綱和量綱單位，這樣的情況會影響到資料分析的結果，為了消除指標之間的量綱影響，需要進行資料 標準化處理，以解決資料指標之間的可比性。原始資料經過資料標準化處理後，各指標處於同一數量級，適合...
標準化與歸一化 機器學習
歸一化和標準化經常被搞混，程度還比較嚴重，非常干擾大家的理解。為了方便後續的討論，必須先明確二者的定義。如果要把輸入資料轉換到 0,1 的範圍，可以用如下公式進行計算 按以上方式進行歸一化以後，輸入資料轉換到 0,1 的範圍。有時候我們希望將輸入轉換到 1,1 的範圍，可以使用以下的公式 以上兩種方...
機器學習的歸一化和標準化
一般做機器學習應用的時候大部分時間是花費在特徵處理上，其中很關鍵的一步就是對特徵資料進行歸一化，為什麼要歸一化呢？很多同學並未搞清楚，維基百科給出的解釋 1 歸一化後加快了梯度下降求最優解的速度,主要是加快梯度下降法收斂速度。2 歸一化有可能提高精度。下面我簡單擴充套件解釋下這兩點。有兩種實現方法 ...