特征工程：
特征归一化：
1.线性归一化：
它对原始数据进行线性变换，使结果映射到[0,1]的范围，实现对原始数据的等比缩放。公式：（X为原始数据，min为数据最小值，max为数据最大值）
2.零均值归一化：
它将原始数据映射到均值为0，标准差为1的分布上。具体来说，假设原始特征的均值μ，标准差为σ，那么归一化公式为
归一化的意义：
1.各特征值之间的大小范围，才能使用距离等量等算法
2.加速梯度下降算法的收敛
3.在SVM算法中，一致化的特征能加速寻找支持向量的时间
4.不同的机器学习算法，能接受的输入数值范围不一样
总结：
当我们需要将特征值都归一化为某个范围[a,b]时，选线性归一化
当我们需要归一化后的特征值均值为0，标准差为1，选零均值归一化