數(shù)據(jù)歸一化處理的目的是：使得預(yù)處理的數(shù)據(jù)被限定在一定的范圍內(nèi)，從而消除奇異樣本數(shù)據(jù)導(dǎo)致的不良影響。數(shù)據(jù)歸一化處理后，可以加快梯度下降求最優(yōu)解的速度，且有可能提高精度（如KNN）。

本教程操作環(huán)境：windows7系統(tǒng)、Dell G3電腦。

在機(jī)器學(xué)習(xí)領(lǐng)域中，不同評(píng)價(jià)指標(biāo)（即特征向量中的不同特征就是所述的不同評(píng)價(jià)指標(biāo)）往往具有不同的量綱和量綱單位，這樣的情況會(huì)影響到數(shù)據(jù)分析的結(jié)果，為了消除指標(biāo)之間的量綱影響，需要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，以解決數(shù)據(jù)指標(biāo)之間的可比性。原始數(shù)據(jù)經(jīng)過數(shù)據(jù)標(biāo)準(zhǔn)化處理后，各指標(biāo)處于同一數(shù)量級(jí)，適合進(jìn)行綜合對(duì)比評(píng)價(jià)。其中，最典型的就是數(shù)據(jù)的歸一化處理。（可以參考學(xué)習(xí)：數(shù)據(jù)標(biāo)準(zhǔn)化/歸一化）

簡(jiǎn)而言之，歸一化的目的就是使得預(yù)處理的數(shù)據(jù)被限定在一定的范圍內(nèi)（比如[0,1]或者[-1,1]），從而消除奇異樣本數(shù)據(jù)導(dǎo)致的不良影響。

1）在統(tǒng)計(jì)學(xué)中，歸一化的具體作用是歸納統(tǒng)一樣本的統(tǒng)計(jì)分布性。歸一化在0~1之間是統(tǒng)計(jì)的概率分布，歸一化在-1~+1之間是統(tǒng)計(jì)的坐標(biāo)分布。

2）奇異樣本數(shù)據(jù)是指相對(duì)于其他輸入樣本特別大或特別小的樣本矢量（即特征向量），譬如，下面為具有兩個(gè)特征的樣本數(shù)據(jù)x1、x2、x3、x4、x5、x6（特征向量—>列向量）,其中x6這個(gè)樣本的兩個(gè)特征相對(duì)其他樣本而言相差比較大，因此，x6認(rèn)為是奇異樣本數(shù)據(jù)。

奇異樣本數(shù)據(jù)的存在會(huì)引起訓(xùn)練時(shí)間增大，同時(shí)也可能導(dǎo)致無法收斂，因此，當(dāng)存在奇異樣本數(shù)據(jù)時(shí)，在進(jìn)行訓(xùn)練之前需要對(duì)預(yù)處理數(shù)據(jù)進(jìn)行歸一化；反之，不存在奇異樣本數(shù)據(jù)時(shí)，則可以不進(jìn)行歸一化。

—如果不進(jìn)行歸一化，那么由于特征向量中不同特征的取值相差較大，會(huì)導(dǎo)致目標(biāo)函數(shù)變“扁”。這樣在進(jìn)行梯度下降的時(shí)候，梯度的方向就會(huì)偏離最小值的方向，走很多彎路，即訓(xùn)練時(shí)間過長(zhǎng)。

–如果進(jìn)行歸一化以后，目標(biāo)函數(shù)會(huì)呈現(xiàn)比較“圓”，這樣訓(xùn)練速度大大加快，少走很多彎路。

綜上可知，歸一化有如下好處，即

1）歸一化后加快了梯度下降求最優(yōu)解的速度；

2）歸一化有可能提高精度（如KNN）

注：沒有一種數(shù)據(jù)標(biāo)準(zhǔn)化的方法，放在每一個(gè)問題，放在每一個(gè)模型，都能提高算法精度和加速算法的收斂速度。