No.1. 數據歸一化的目的
數據歸一化的目的，就是將數據的所有特征都映射到同一尺度上，這樣可以避免由於量綱的不同使數據的某些特征形成主導作用。
No.2. 數據歸一化的方法
數據歸一化的方法主要有兩種：最值歸一化和均值方差歸一化。
最值歸一化的計算公式如下：
最值歸一化的特點是，可以將所有數據都映射到0-1之間，它適用於數據分布有明顯邊界的情況，容易受到異常值（outlier）的影響，異常值會造成數據的整體偏斜。
均值方差歸一化的計算公式如下：
均值方差歸一化的特點是，可以將數據歸一化到均值為0方差為1的分布中，不容易受到異常值（outlier）影響。
No.3. 向量和矩陣的最值歸一化
向量的最值歸一化
矩陣的最值歸一化
No.4. 向量和矩陣的均值方差歸一化
向量的均值方差歸一化
矩陣的均值方差歸一化
No.5. sklearn中對數據集歸一化的流程
No.6. 使用鳶尾花數據集進行數據歸一化
No.7. 簡單實現一個自己的StandardScaler類
No.8. 機器學習流程回顧：
首先我們需要將數據集分成訓練數據集和測試數據集兩部分；對於kNN這種算法，我們需要保證數據在同一尺度下，因此要進行數據的歸一化，訓練數據集通過一個Scaler進行數據的歸一化；將歸一化后的數據進行訓練，訓練過程中要使用網格搜索來尋找最好的超參數，訓練后得到最終的模型；之后，對於測試數據集，需要使用相同的Scaler進行歸一化，然后送進用訓練數據集得到的模型，得到模型分類的准確度，這樣就可以確定訓練數據集得到的模型的優劣。
