数据标准化与归一化探索

---

About Feature Scaling and Normalization

对特征的标准化使得特征重新度量（rescaled）具有性质均值为 $\mu =0$
以及标准方差为 $\sigma =1$

变换的形式为：
$$z=\frac{x-\mu }{\sigma }$$
对特征进行标准化，使其以0为中心，标准差为1，这不仅在我们比较不同单位的测量值时很重要，而且也是很多机器学习算法的一般要求。

直观上，我们可以认为梯度下降是一个突出的例子(一种优化算法，常用于logistic回归，支持向量机，感知机，神经网络等);由于特征在不同的尺度上，某些权重可能比其他权重更新得更快，因为特征值$x_j$在权重更新中起着重要作用

Δ w j