Andrew在他的機器學習課程里強調，在進行學習之前要進行特征縮放，目的是保證這些特征都具有相近的尺度，這將幫助梯度下降算法更快地收斂。
python里常用的是preprocessing.StandardScaler()
公式為：(X-mean)/std 計算時對每個屬性/每列分別進行。
將數據按期屬性（按列進行）減去其均值，並處以其方差。得到的結果是，對於每個屬性/每列來說所有數據都聚集在0附近，方差為1。
但是我在用k-means進行分類的時候發現，歸一化之后分類的准確性反而下降了，應該是跟我的數據特征有關系。我的數據是三維坐標，我的要求是z軸不一樣的數據一定不能放在一類里，所以我人為將z軸數據加劇區分度，比如原來是（10，20，0），（13，16，0），（23，16，10）。為了確保將z軸不同的數據區分開來，我將第三個數據改為了（23，16，100），這樣z維的數據區別遠大於其他兩維，在聚類是就不會被淹沒。但是當進行歸一化之后，所有的數據都變得很小，我想要的區分度就不能體現了，就達不到我需要的聚類效果。
所以我覺得，是不是需要做歸一化，以及如何做歸一化還是需要根據情況而定。