为什么需要对数值类型的特征做归一化？

因为在数据存在不同的量纲，为了消除不同量纲数值的影响，使得不同指标之间具备可比性。

for example:

分析一个人的身高和体重对健康的影响，如果 使用米（ m ）和千克（kg ）作为单位，那么身高特征会在 1.6 ～ 1.8m 的数值范围 内，体重特征会在 50 ～ 100kg 的范围内，分析出来的结果显然会倾向于数值差别比 较大的体重特征。

想要得到更为准确的结果，就需要进行特征归一化（ Normalization ）处理，使各指标处于同一数值量级，以便进行分析。

归一化的方法有

线性函数归一化（ Min-Max Scaling ）。它对原始数据进行线性变换，使

结果映射到 [0, 1] 的范围，实现对原始数据的等比缩放。归一化公式如下：

其中 X 为原始数据， X max 、 X min 分别为数据最大值和最小值。

零均值归一化（ Z-Score Normalization ）。它会将原始数据映射到均值为

0 、标准差为 1 的分布上。具体来说，假设原始特征的均值为 μ 、标准差为 σ ，那么

归一化公式定义为