知识点：特征归一化（Feature Scaling）
如果存在特征的数值差别比较大的特征，那么分析出来的结果显然就会倾向于数值差别比较大的特征。
比如在学习速率相同的情况下，数值差别大的特征的更新速度就会大于数值差别小的特征，这样就需要较多的迭代才能找到最优解。如果将所有特征归一化到相同的数值区间后，优化目标的等值图就会变成圆形。这样所有的特征的更新速度就变得更为一致，就能够更容易且更快的通过梯度下降找到最优解。
因此为了消除数据特征之间的量纲影响，得到更为准确的结果，就需要进行特征归一化处理，使各指标处于同一数值量级，使得不同指标之间具有可比性，以便进行分析。
在实际应用中通过梯度下降法求解的模型通常都是需要归一化的，比如线性回归、逻辑回归、支持向量机、神经网络等模型。但是数据归一化并不是万能的，对于决策树模型它是不适用的，决策树在进行节点分裂时，主要依据的是数据集关于特征的信息增益比，而信息增益比与特征是否经过归一化是无关的，因为归一化并不会改变样本在特征上的信息增益。
