特征缩放
在多变量回归或分类问题上，需要保证这些变量的取值范围具有同一尺度
原因一：确保大尺度变量不会左右分类器的分类结果。如果分类器利用结果变量的距离来计算损失函数，那么小尺度变量的变化会被忽略，大尺度变量会决定分类效果 原因二：帮助梯度下降算法收敛更快。参考机器学习--特征缩放/均值归一化，从损失函数等值线图可知，变量在同一尺度下能够更快的通过梯度下降算法收敛
常用的特征缩放方法包括标准化（或称为规范化）和区间缩放
标准化
标准化方法就是将数据变换为均值为0，方差为1的标准正态分布。标准化公式如下
\[ x_{i}'=\frac{x_{i}-\mu_{i}}{s_{i}} \]
其中\(x_{i}\)是第\(i\)个属性的特征向量，\(x_{i}'\)是变换后的特征向量，\(\mu_{i}\)是第\(i\)个属性的均值，\(s_{i}\)是第\(i\)个属性的标准差
要求：变量服从正态分布
区间缩放
将特征值缩放到某个特定大小的区间，比如[0,1]，计算公式如下：
\[ x_{i}'=\frac{x_{i}-min(x_{i})}{max_{x_{i}}-min_{x_{i}}} \]
其中\(x_{i}\)是第\(i\)个属性的特征向量，\(x_{i}'\)是变换后的特征向量，函数\(max()\)和\(min()\)用于求该属性的最大最小值