什么是归一化
把预处理的数据映射到 [ 0 , 1 ] [0,1] [0,1] 或 [ − 1 , 1 ] [-1,1] [−1,1] 之间的小数来处理。
为什么要归一化
维基百科的解释：
1. 归一化后加快了梯度下降求最优解的速度；
如果不进行归一化，由于特征向量中不同特征的取值相差较大，会导致目标函数变“扁”。这样在进行梯度下降的时候，梯度的方向就会偏离最小值的方向，走很多弯路，即训练时间过长。
如果进行归一化以后，目标函数会呈现比较“圆”，这样训练速度大大加快，少走很多弯路。
2. 归一化有可能提高精度；
归一化不同量纲的数据统一到一个标准，减少了不同指标之间量纲的影响。
常用的归一化方式：
- 最值归一化：
x ′ = x − x m i n x m a x − x m i n x' = \frac{x-x_{min}}{x_{max}-x_{min}} x′=xmax−xminx−xmin - 标准差差（z-score）归一化：
x ′ = x − μ m a x v a l u e − m i n v a l u e x' = \frac{x-μ}{maxvalue -minvalue} x′=maxvalue−minvaluex−μ - 非线性归一化：
(1)对数函数转换：y = log10(x)
(2)反余切函数转换：y = atan(x) * 2 / π
standardscaler
作用：去均值和方差归一化。且是针对每一个特征维度来做的，而不是针对样本。
scale_x = standardscaler()
scale_data = scale_x.fit_transform(data)