特征归一化（Feature Scaling）

写在前面

近期在探讨小样本条件下的故障诊断问题时，发现大量研究聚焦于借助数据驱动的深度学习技术来改善故障诊断过程。部分文献中提及采用“归一化”手段对流程进行优化，从而实现减少所需训练样本量或缩短训练时间的目标。此前虽有所了解，但并未深入掌握。借此契机，对网络上涉及的多种归一化方法进行了归纳与总结。

此内容仅为个人学习整理之用，如存在侵权情况，请及时告知删除。

同时参考了以下资料：

https://www.cnblogs.com/shine-lee/p/11779514.html（给了我很多建议，其中很多也都在这里有一些摘抄）

https://www.zhihu.com/question/20455227/answer/197897298

特征归一化（Feature scaling）-WHY

特征缩放，通常被称为“特征归一化”或“标准化”，是数据预处理过程中一项关键的技术手段。其重要性主要体现在以下几个方面：

（1）不同特征之间可能具有不同的单位或尺度，例如身高与体重、摄氏度与华氏度、房屋面积与房间数量等。某一特征的取值范围可能为[1000, 10000]，而另一特征的取值范围则可能为[−0.1, 0.2]。在涉及距离计算的模型中，由于单位和尺度的不同，会导致计算结果出现偏差。此时，尺度较大的特征将对结果产生主导影响，而尺度较小的特征则可能被忽视。