在喂給機器學習模型的數據中，對數據要進行歸一化的處理。
為什麼要進行歸一化處理，下面從尋找最優解這個角度給出自己的看法。
1 例子
假定為預測房價的例子，自變量為面積，房間數兩個，因變量為房價。
那麼可以得到的公式為：
其中
代表房間數，
代表變量
前面的系數。
其中
代表面積，
代表變量
前面的系數。
首先我們祭出兩張圖代表數據是否均一化的最優解尋解過程。
未歸一化：
歸一化之後
為什麼會出現上述兩個圖，并且它們分别代表什麼意思。
我們在尋找最優解的過程也就是在使得損失函數值最小的theta1,theta2。
上述兩幅圖代碼的是損失函數的等高線。
我們很容易看出，當數據沒有歸一化的時候，面積數的範圍可以從0~1000，房間數的範圍一般為0~10，可以看出面積數的取值範圍遠大于房間數。
2 影響
這樣造成的影響就是在畫損失函數的時候，
數據沒有歸一化的表達式，可以為：
造成圖像的等高線為類似橢圓形狀，最優解的尋優過程就是像下圖所示：
而數據歸一化之後，損失函數的表達式可以表示為：
其中變量的前面系數幾乎一樣，則圖像的等高線為類似圓形形狀，最優解的尋優過程像下圖所示：
從上可以看出，數據歸一化後，最優解的尋優過程明顯會變得平緩，更容易正确的收斂到最優解。
這也是數據為什麼要歸一化的一個原因。
End.
,
zpostcode 
Recruit 
weather 
mreligion 
Yellowpages 
sport 
constellation 
shopping 
name 
game 
directory 
literature 
Word 
tour 
furnish 
Lottery 
tftnews 
lyrics 
News 
digital 
car 
dir 
Edu 
Finance 
