归一化 是什么？

归一化是数据预处理的一种关键策略，其目标是将数据统一到一个标准的数值范围，消除不同特征间的量纲和大小差异，从而提升深度学习模型的效率和稳定性。在处理具有显著尺度差异的特征时，如银行贷款违约预测中的年收入和年龄，归一化变得尤为重要。

常见的归一化方法包括：

最小-最大归一化 (Min-Max Scaling)：将数据缩放到 [0, 1] 范围，如考试成绩的例子所示，原始成绩 [75, 95, 85, 80, 90] 经过归一化后变成了 [0.3, 1.0, 0.7, 0.6, 1.0]。

Z-score 标准化 (Standardization)：数据转换为均值为 0、标准差为 1 的分布，这有助于消除异常值的影响。

通过归一化，模型可以更加公平地评估所有特征的影响，提高预测精度。在实践中，归一化对于依赖于输入数据尺度的算法（如梯度下降和K-均值聚类）来说至关重要，它能使算法运行更顺畅，收敛更快。