1、数据预处理概述

在选择了合适模型的前提下，机器学习可谓是“训练台上3分钟，数据数量和质量台下10年功”。数据的收集与准备是机器学习中的重要一步，是构建一个好的预测模型大厦的基石。数据的数量与质量直接决定了预测模型的好坏

所以，在数据的收集与准备这一步中，必须做好数据预处理。Scikit-Learn提供了标准化和归一化等API方便我们进行数据预处理。标准化和归一化是常用的数据缩放方式

数据预处理的一般顺序（不一定全需要做）为：处理离群值、处理缺失值、标准化或归一化、纠偏、连续特征离散化、类别特征编码、特征增强和对不平衡数据集的处理（仅针对分类问题）

那么，为什么要进行标准化和归一化呢？

例如，我们的某个样本与其它样本数值相差较大，那么，该样本特征的方差就会比其他样本特征大几个数量级，那么，它就会在学习算法中占据主导位置，导致学习器并不能像我们说期望的那样，从其他特征中学习。也就是说，该样本会主导其它样本，最终导致预测结果的偏差

当某个或某些特征的单位或大小与其它样本相差较大，或者某特征的方差比其他的特征要大出几个数量级，那么，该特征就容易影响（支配）目标结果，使得一些算法无法学习到其他的特征，即无量纲化

因此，我们需要做的是对样本数据进行数据标准化或归一化，将所有的数据映射到同一尺度

2、数据标准化

2.1、什么是数据标准化

定义：数据标准化通过减去均值然后除以方差（或标准差），转化为均值为0，标准差为1的标准正态分布，转化公式为：
$$X^{{}^{\prime }}=\frac{X-\mu }{\sigma }$$

其中，$\mu$为均值，$\sigma$为标准差。标准化操作是将数据按其属性（按列）减去平均值，然后再除以标准差

当数据X按均值$\mu$中心化后，再按标准差 σ \sigma