第一种Normalization

将数据标准化（normalization）是将具有不同量纲（单位）、大小的数据映射到某一小范围没有量纲的区间（例如[0,1]）

标准化的目的

通常需要寻来的数据都是带有单位的，且评价维度可能各不相同，将数据标准化后原数据可以转换成无量纲指标，便于进行综合分析。
即，标准化的目的是：
1.把特征的各个维度标准化到特定区域
2.把有量纲的表达式转换成无量纲的表达式

标准化（归一化）的好处：

1.加快梯度下降法的收敛速度

image.png

如果没有归一化，数据可能在[0,2000]这一区间，不同维度间数据差异巨大，等高线可能就被拉的十分狭长，这种情况下梯度下降的曲线可能就很波折，迭代速度慢。而经过标准化后，区间在[0,1]之间，优化就会很快

2. 提升模型的精度

在多指标评价体系中，由于各指标数据差异可能很大，而数据本身就很大的指标可能在进行评价时会占有优势，削弱数值较低的指标。因此，为了保证数据的可靠性，需要进行标准化处理。
[参考连接]（https://blog.csdn.net/u011092188/article/details/78174804）