一、归一化的基本介绍

1. Why 归一化?

一些分类器需要计算样本之间的距离（如欧氏距离），例如KNN。如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖（比如这时实际情况是值域范围小的特征更重要）。或者举一个更浅显的例子：对房子进行分类判定时，我们考虑的因素有很多，比如：价格，面积。价格一般是800000元，面积一般是60㎡，如果直接使用数据集中这两个特征的原始数据进行训练的话，很明显，算法会向价格这个特征进行便宜，也就是说，机器学习算法更可能地会认为价格是决定房子质量的决定性因素，这显然是不合理的。因此，很多时候，我们需要对数据进行预处理操作，其中一个步骤就是特征归一化。
还可以从梯度下降的角度来理解，当两个特征的量纲差别很大时，损失函数呈扁平的椭圆形，梯度下降时会非常曲折；当两个特征归一化到相同的量纲与范围时，Loss可能接近圆形，而梯度的方向沿切线方向，优化过程比较简单。也就是说，量纲差别非常大时，往往需要更更更多的epoch才能达到较好的效果。

2. 归一化、标准化、中心化

（1）归一化

归一化：把数变为（0，1）之间的小数。归一化公式如下：
<