Overview
在数据挖掘工作中，往往需要对得到的特征向量进行数据预处理。其中有重要的一步就是标准化(Normalization),也叫“归一化”。其目的就是为了放置得到的多个特征量纲差距过大，从而影响精度，而且也能是模型收敛速度加快。而归一化的方式一般有下面两种。更多详细内容参考维基百科：Normalization (statistics)。
1.1 重新缩放法
这个是最简单的标准化方法，而且是线性的。公式如下：
$$
X^{'}=a+\left ( b-a \right )\frac{X-X_{min}}{X_{max}-X_{min}}
$$
其中 $a$ 和 $b$ 分别表示缩放的下限和上限，输入数据和输出数据，原矩阵中最小值和最大值分别由 $X,X^{'},X_{min},X_{max}$ 表示。
1.2 标准化方法
标准化方法有一个好处：python里面的numpy包中有求矩阵均值，标准差等统计参数的函数，很方便。
$$
x^{'}=\frac{x-\bar{x}}{\sigma }
$$
其中，$x,\bar{x},\sigma ,x^{'}$ 分别表示原矩阵中需要归一化的输入数据，原矩阵数据的均值，原矩阵数据的标准差，归一化后的输出数据。