数据预处理——特征缩放

一、特征缩放的定义，原因   

    特征缩放（feature scaling）是在机器学习中常用的数据预处理步骤，是数据预处理步骤中及其容易被忽略的一步。

    为什么要特征缩放？考虑一下 kNN 算法，如果我们有两个特征，特征 A 的取值范围在 [1，10]，特征 B 的取值范围在 [1, 100000]。那么在计算欧式距离时，特征 A 的贡献几乎被特征 B 给覆盖了。

    特征缩放的目的就是使不同特征的数值范围相似，以确保模型的性能和收敛性能良好。绝大多数机器学习算法及优化算法（比如梯度下降）都期望特征取值在同样的范围。

二、常见的特征缩放方法

    两种常见的