目录
（2）零均值归一化（Z-Score Normalization）
2. 为什么说数据归一化不是万能的？有哪些 适用哪些不适用？
0. Normalization简单解释
为了消除数据特征之间的量纲的影响，所以需要进行归一化的处理，使得可比性
我联想了一下现实生活中比较常见的归一化：
四六级成绩，托福成绩，雅思成绩等等， 这其实都是归一化了，不管什么时候考的，都能够对比
1. 常用的归一化方法
（1）线性函数归一化（Min-Max Scaling）
对原始数据进行线性变换，使其结果映射到[0,1]之间，实现对原始数据的等比缩放。
归一化公式
（2）零均值归一化（Z-Score Normalization）
将原始数据映射到均值为0、标准差为1的 分布上，归一化公式：
2. 为什么说数据归一化不是万能的？有哪些 适用哪些不适用？
实际应用中，通过梯度下降法求解的模型，通常需要归一化，包括线性回归、逻辑回归、支持向量机、神经网络。
但是对于决策树模型并不适用，决策树在进行节点分裂时主要依据数据集D关于特征x的信息增益比，而信息增益比与是否归一化无关，归一化不会改变样本在特征x上的 信息增益。
文章来源: kings.blog.csdn.net，作者：人工智能博士，版权归原作者所有，如需转载，请联系作者。
原文链接：kings.blog.csdn.net/article/details/96003307