爲什麼要做特徵縮放
大多數情況下，你的數據集將包含在大小、單位和範圍上差別很大的特徵。但是，由於大多數機器學習算法在計算中使用兩個數據點之間的歐氏距離，這會是一個問題。
如果不加考慮，這些算法只考慮特徵的大小而忽略了單位。在5kg和5000gms不同的單元之間，結果會有很大的差異。在距離計算中，大尺度的特徵比小尺度的特徵要重要得多
在運用一些機器學習算法的時候不可避免地要對數據進行特徵縮放（feature scaling），比如：在隨機梯度下降（stochastic gradient descent）算法中，特徵縮放有時能提高算法的收斂速度。
特徵縮放還可以使機器學習算法工作的更好。比如在K近鄰算法中，分類器主要是計算兩點之間的歐幾里得距離，如果一個特徵比其它的特徵有更大的範圍值，那麼距離將會被這個特徵值所主導。因此每個特徵應該被歸一化，比如將取值範圍處理爲0到1之間。
什麼時候進行特徵縮放
我在這裏遵循的經驗法則是任何計算距離或假設正常的算法，縮放你的特徵!!
一些算法的例子，其中的特徵縮放是很重要的：
k-最近鄰具有歐氏距離度量，對大小敏感，因此應該對所有特徵進行縮放，使其尺度相同。
主成分分析(PCA)，縮放是關鍵。主成分分析試圖得到方差最大的特徵，對於高幅值特徵，方差較大。這使得PCA傾向於高幅值特徵。
梯度下降可以通過縮放進行加速。這是因爲θ在小尺度上會下降的很快，在大尺度上會很慢，所以，變量尺度不均勻的時候，在最優化的路徑上會有震盪，效率下降。
基於樹的模型不是基於距離的模型，可以處理不同範圍的特性。因此，建模樹時不需要縮放。
線性判別分析(LDA)、樸素貝葉斯等算法設計的時候就準備好了處理這一問題，並相應地賦予特徵權重。在這些算法中執行特徵縮放可能沒有多大效果。
用那種縮放，sklearn中文教程有很多例子直接看代碼應該就能懂。
https://sklearn.apachecn.org/docs/0.21.3/40.html 或者 https://www.cnblogs.com/chaosimple/p/4153167.html
參考博客https://blog.csdn.net/ycarry2017/article/details/85051740