数据归一化：提升模型训练的关键技巧

我们来系统地介绍一下 模型训练中的数据归一化（Data Normalization）——这是机器学习与深度学习中非常基础但极其重要的一个环节。

---

一、什么是数据归一化？

数据归一化（Data Normalization） 是一种对输入特征数据进行线性或非线性变换，使得数据落入特定范围或具备特定分布特性的预处理方法。
其目标是让不同维度的特征在相似的数值尺度下，使模型更稳定、更快收敛，并提升泛化性能。

---

二、为什么需要归一化？

在原始数据中，各个特征可能：

• 量纲不同（如“价格”是万元，“面积”是平方米）

• 数值范围差异巨大（如一个特征在 0～1，另一个在 1000～10000）

• 分布不均衡或偏态严重

如果不进行归一化：

• 梯度下降优化时，权重更新的尺度不均，可能导致训练振荡或收敛慢；

• 某些特征主导模型，掩盖了其他重要信息；

• 在神经网络中，激活函数（如 sigmoid/tanh）容易饱和，梯度消失。

---

三、常见的归一化方法

1. Min-Max 归一化（最值缩放）

将数据线性映射到固定区间（通常是 [0, 1] 或 [-1, 1]）：

$x^{\prime }=\frac{x-x_{}}{x_{max}-x_{min}}$