数据归一化、标准化和去中心化

数据预处理，一般有数据归一化、标准化和去中心化。

归一化

将数据映射到[0,1]或[-1,1]区间范围内，不同特征的量纲不同，值范围大小不同，存在奇异值，对训练有影响。

标准化

将数据映射到满足标准正态分布的范围内，使数据满足均值为0，标准差为1。标准化同样可以消除不同特征的量纲。

去中心化

使数据满足均值为0，但对标准差没有要求。

每种方法对应的使用场景

1.若对数据的范围没有限定要求，则选择标准化进行数据预处理
2.若要求数据在某个范围内取值，则采用归一化。
3若数据不存在极端的极大极小值时，采用归一化。
4.若数据存在较多的异常值和噪音，采用标准化。

为什么需要对数据进行归一化或标准化

归一化/标准化可以使模型学习更快，少走弯路
在梯度下降过程中，不同特征值差异较大，则损失函数的等高线是个椭圆，因此梯度方向是拐来拐去，进行归一化/标准化后，等高线就变成近似圆，梯度方向比较平缓，少走弯路。

避免数值问题
输入值过大时，容易出现数值问题，如2344&＃215;0.0002 与0.2344&＃215;2在计算机中算出来是不相等，而实际应该是相等的。
神经网络的需要

参考：https://www.jianshu.com/p/95a8f035c86c