数据的归一化和标准化处理

我们为什么要进行归一化处理
当我们在采集样本与使用样本进行算法预测时，是否发现得到的模型存在过拟合或者欠拟合，这时我们要分析我们的数据是否需要预处理操作，我们通常使用下面两种方法来解决：
1.归一化正是使用减少参数的重要性的方式，来增强模型的泛化能力，并且可以保证特征数量保持不变。
2.手动选择保留哪些特征值或者使用一些选择特征算法来解决

归一化处理
归一化有可能提高精度（归一化是让不同维度之间的特征在数值上有一定的比较性）。

一些分类器需要计算样本之间的距离（如欧式距离），例如KNN。如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况不符。（比如，这时实际情况是值域范围小的特征更重要）。

将数据映射到(0,1)区间上，实现归一化。
归一化的计算过程为： 真实值-最小值/最大值-最小值

数据的标准化处理
数据标准化的数学计算过程为 x-(mean)/std

这里要注意归一化后的数字都是在(0,1)区间上的，而标准化则可能出现负数。