机器学习部分：均值归一化问题

均值归一化(mean normalization)

除了在特征缩放中将特征除以最大值以外，有时候我们也会进行一个称为均值归一化(mean normalization)的工作。

具体做法就是：如果你有一个特征xixi你就用xi−μixi−μi来替换。这样做的目的是为了让你的特征值具有为0的平均值。很明显 我们不需要把这一步应用到x0中，因为x0x0中，因为x0总是等于1的，所以它不可能有为0的的平均值。

但是对其他的特征来说，比如房子的大小取值介于0 ~ 2000，并且假如房子面积的平均值是等于1000的，那么你可以用这个公式

x1=size−10002000x1=size−10002000

类似地，如果你的房子有五间卧室，并且平均一套房子有两间卧室，那么你可以使用这个公式来归一化你的第二个特征x2：

x2=卧室数−25x2=卧室数−25

在这两种情况下你可以算出新的特征x1和x2x1和x2，它们的范围可以在-0.5 ~ +0.5之间，当然这肯定不对，x2的值实际上肯定会大于0.5。更一般的规律是用:

xn−μnSnxn−μnSn， ， μn为平均值μn为平均值， ， Sn为最大值−最小值Sn为最大值−最小值

来替换原来的特征xnxn。其中定义μn的意思是在训练集中特征xnxn的平均值。而SnSn是该特征值的范围（最大值减去最小值）。

最后直的一提的是：特征缩放其实并不需要太精确，其目的只是为了让梯度下降能够运行得更快一点，让梯度下降收敛所需的循环次数更少一些而已。

#include<bits