1、为什么要特征缩放
分类时候使用一些算法基于欧几里得距离，欧几里得距离对特征尺度非常敏感。
下面给出了一些对特征缩放非常敏感的算法。 这些算法对特征缩放很敏感，因为它们取决于距离和高斯曲线。
线性和逻辑回归
神经网络
支持向量机
K均值聚类
K最近邻居
主成分分析
对特征缩放不敏感的算法。对特征缩放不敏感的算法通常是“基于树的”算法
分类和回归树
森林随机回归
2、主要操作
归一化：在0到1之间缩放要素值归一化。这称为最小-最大缩放。
标准化：基于标准偏差。 它衡量功能中价值的传播。 这是最常用的之一。
标准化和归一化经常可互换使用。 虽然归一化是在0到1之间缩放值，但是标准化大约是将平均值设为0，将标准偏差设为1。在确定我们需要标准化还是归一化时，需要考虑一些要点。
当数据代表高斯曲线时，可以使用标准化
标准化不受异常值的影响。
归一化对异常值的影响很高
非高斯曲线表示时的归一化效果很好
