1. 数据标准化
数据的标准化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。
2 归一化作用
1）无量纲化
2）避免数值问题：太大的数会引发数值问题。
3）一些模型求解的需要。例如梯度下降法。不归一化，容易产生陕谷，而学习率较大时，以之字形下降。学习率较小，则会产生直角形路线。
4）特殊情况，特殊分析，不同的模型，归一化有不同的原因。关于BP神经网络的，参考http://nnetinfo.com/nninfo/showText.jsp?id=37
3 数据标准化的方法（[http://webdataanalysis.net/data-analysis-method/data-normalization
1 min-max标准化(Min-max normalization)
也叫离差标准化，是对原始数据的线性变换，使结果落到[0,1]区间，转换函数如下：
其中max为样本数据的最大值，min为样本数据的最小值。这种方法有一个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。
2 log函数转换
通过以10为底的log函数转换的方法同样可以实现归一下，具体方法如下：
看了下网上很多介绍都是x*=log10(x)，其实是有问题的，这个结果并非一定落到[0,1]区间上，应该还要除以log10(max)，max为样本数据最大值，并且所有的数据都要大于等于1。
3 atan函数转换
用反正切函数也可以实现数据的归一化：
使用这个方法需要注意的是如果想映射的区间为[0,1]，则数据都应该大于等于0，小于0的数据将被映射到[-1,0]区间上。
而并非所有数据标准化的结果都映射到[0,1]区间上，其中最常见的标准化方法就是Z标准化，也是SPSS中最为常用的标准化方法：
4 z-score 标准化(zero-mean normalization
也叫标准差标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：
其中μ为所有样本数据的均值，σ为所有样本数据的标准差。z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。
4 归一化中要注意的点
1 数据特征的归一化，要对每一维特征而不是整个矩阵
整体做归一化相当于各向同性的放缩，做了也没有用。各维分别做归一化会丢失各维方差这一信息，但各维之间的相关系数可以保留。如果本来各维的量纲是相同的，最好不要做归一化，以尽可能多地保留信息。如果本来各维的量纲是不同的，那么直接做PCA没有意义，就需要先对各维分别归一化。
作者：王赟 Maigo
链接：https://www.zhihu.com/question/31186681/answer/50929278
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
另附另一参考文献：http://www.ilovematlab.cn/thread-63766-1-1.html
5 参考资料
https://zhuanlan.zhihu.com/p/23684808
http://www.ilovematlab.cn/thread-63766-1-1.html
http://blog.csdn.net/lkj345/article/details/50352385
