数据预处理—归一化（连续值和离散值）

归一化原因

1. 如果多个特征之间数值差异较大，那么收敛速度会很慢。如吴恩达老师在《机器学习》中给出的例子：

x1的取值为0-2000，而x2的取值为1-5，假如只有这两个特征，对其进行优化时，会得到一个窄长的椭圆形，导致在梯度下降时，梯度的方向为垂直等高线的方向而走之字形路线，这样会使迭代很慢，相比之下，右图的迭代就会很快
2. 在涉及到距离计算的模型中，若多个特征之间数值差异较大，那么数值小的特征对距离的影响则很小，这会造成精度的影响

归一化目的

1. 将数据按照一定的规则转变为（0,1）之间的数据；
2. 把有量纲表达式转变为无量纲表达式

连续值归一化常见方法

Max-Min

Xmin/Xmax分别对应数据集中最小、最大的数据，X是待归一化数据

0均值标准化(Z-Score)