參考：https://www.cnblogs.com/bjwu/p/8977141.html
通常，在Data Science中，預處理數據有一個很關鍵的步驟就是數據的標準化。這裏主要引用sklearn文檔中的一些東西來說明，主要把各個標準化方法的應用場景以及優缺點總結概括，以來充當筆記。
提升模型精度
在機器學習算法的目標函數(例如SVM的RBF內核或線性模型的l1和l2正則化)，許多學習算法中目標函數的基礎都是假設所有的特徵都是零均值並且具有同一階數上的方差。如果某個特徵的方差比其他特徵大幾個數量級，那麼它就會在學習算法中佔據主導位置，導致學習器並不能像我們說期望的那樣，從其他特徵中學習。
提升收斂速度
對於線性model來說，數據歸一化後，最優解的尋優過程明顯會變得平緩，更容易正確的收斂到最優解。