在現實生活中，乙個目標變數（y）可以認為是由多個特徵變數（x）影響和控制的，那麼這些特徵變數的量綱和數值的量級就會不一樣，比如x1 = 10000，x2 = 1，x3 = 0.5 可以很明顯的看出特徵x1和x2、x3存在量綱的差距；x1對目標變數的影響程度將會比x2、x3對目標變數的影響程度要大（可以這樣認為目標變數由x1掌控，x2，x3影響較小，一旦x1的值出現問題，將直接的影響到目標變數的**，把目標變數的**值由x1獨攬大權，會存在高風險的**）而通過標準化處理，可以使得不同的特徵變數具有相同的尺度（也就是說將特徵的值控制在某個範圍內），這樣目標變數就可以由多個相同尺寸的特徵變數進行控制，這樣，在使用梯度下降法學習引數的時候，不同特徵對引數的影響程度就一樣了。比如在訓練神經網路的過程中，通過將資料標準化，能夠加速權重引數的收斂。
簡而言之：對資料標準化的目的是消除特徵之間的差異性，便於特徵一心一意學習權重。
我們可以知道當原始資料不同維度上的特徵的尺度（單位）不一致時，需要標準化步驟對資料進行預處理，反之則不需要進行資料標準化。
例如下面這幾類問題一般都需要進行資料標準化：
1回歸問題
2機器學習演算法
3訓練神經網路
4聚類問題
5pca（主成分分析）
1. min-max歸一化（線性函式歸一化）
線性函式將原始資料線性化的方法轉換到[0, 1]的範圍。計算公式如下：
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，使用該方法比較好。
2. 0均值標準化(z-score standardization)
該方法將某變數中的觀察值減去該變數的平均數，然後除以該變數的標準差，標準化後的資料符合標準正態分佈，即均值為0，標準差為1。計算公式如下：
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、涉及到正態分佈的時候使用該方法較好。
資料標準化（歸一化）
資料標準化 歸一化 處理是資料探勘的一項基礎工作，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。以下是兩種常用的歸一...
資料標準化 歸一化
資料標準化 歸一化 處理是資料探勘的一項基礎工作，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。以下是兩種常用的歸一...
資料標準化 歸一化
公式 x x x frac x x 公式 x x xm inxm ax x mi nx frac x x xma x x min x xm in 公式 x x xm ax x frac x xm ax x 注 該方法用於稀疏資料。公式 x x xm edia niqr x frac x iqr x ...