数据预处理：归一化/标准化/中心化

为什么归一化/标准化？

归一化/标准化实质是一种线性变换，线性变换有很多良好的性质，这些性质决定了对数据改变后不会造成“失效”，反而能提高数据的表现，这些性质是归一化/标准化的前提。比如有一个很重要的性质：线性变换不会改变原始数据的数值排序。

使用的场景

1. 梯度下降法求解最优化问题时：
   可以加快求解速度，也就是提升收敛速度

归一化/标准化的方法

归一化到0 ~ 1 或 -1 ~ 1之间

方法：
0~1之间

目的：
1）主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。
2）把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。

标准化（减均值再除以标准差）

在机器学习中，我们可能要处理不同种类的资料，例如，音讯和图片上的像素值，这些资料可能是高维度的。

资料标准化后会使每个特征中的数值平均变为0(将每个特征的值都减掉原始资料中该特征的平均)、标准差变为1，这个方法被广泛的使用在许多机器学习算法中(例如：支持向量机、逻辑回归和类神经网络)。

中心化/零均值化（减均值）

平均值为0，对标准差无要求