離散特徵：
-
無序離散特徵：one-hot encoding，比如所屬國家、城市
-
無序離散特徵：one-hot encoding，比如所屬國家，城市。(1)如果one-hot之後unique值不多可以不用做Embedding， (2)但是如果該特徵unique值過多，比如所屬國家、城市，onehot產生的矩陣過寬，這種情況下，我們的通常做法就是將其轉換爲embedding。
-
也可以先做LabelEncoder將特徵的不同取值區分開，然後再embedding
-
-
有序離散特徵：label encoding，比如年齡
連續特徵：
- 歸一化：去除不同維度數據的量綱以及量綱單位
- 標準化: 標準化成正態分佈之後，可以更加容易地得出最優參數目標函數的最小值，從而達到加速收斂的效果。
區別：兩者都可以對特徵做幅度縮放，兩者的效果差不多，選擇其中一個即可。
正則化：
- 常見的有正則項有 L1 正則 和 L2 正則 以及 Dropout
更詳細內容請參考：ML 入門：歸一化、標準化和正則化