資料歸一化處理的目的在於：使得預處理的資料被限定在一定的範圍內，從而消除奇異樣本資料所導致的不良影響。資料歸一化處理後，可加快梯度下降求最優解的速度，且有可能提高精度（如KNN）。
本教學操作環境：windows7系統、Dell G3電腦。
#在機器學習領域中，不同評估指標（即特徵向量中的不同特徵就是所述的不同評價指標）#往往有不同的量綱和量綱單位，這樣的情況會影響到資料分析的結果，為了消除指標之間的量綱影響，需要進行資料標準化處理，以解決資料指標之間的可比性。原始資料經過資料標準化處理後，各指標為同一數量級，適合進行綜合對照評估。 其中，最典型的就是資料的歸一化處理。 （可參考學習：資料標準化/歸一化）
簡而言之，歸一化的目的就是使得預處理的資料被限定在一定的範圍內（例如[0,1]或[-1,1]），從而消除 #奇異樣本資料導致的不良影響。
1）在統計學中，歸一化的具體作用是歸納統一樣本的統計分佈性。歸一化在0~1之間是統計的機率分佈，歸一化在-1~ 1之間是統計的座標分佈。
2）奇異樣本資料是指相對於其他輸入樣本特別大或特別小的樣本向量（即特徵向量），譬如，下面為具有兩個特徵的樣本資料x1、x2、x3、x4、x5、x6（特徵向量—>列向量）,其中x6這個樣本的兩個特徵相對其他樣本而言相差比較大，因此，x6認為是奇異樣本資料。
奇異樣本資料的存在會造成訓練時間增大，同時也可能導致無法收斂，因此，
當存在奇異樣本資料時，在進行訓練之前需要對預處理資料進行歸一化；反之，當不存在奇異樣本資料時，則可以不進行歸一化。
#-- 如果不進行歸一化，那麼由於特徵向量中不同特徵的取值相差較大，會導致目標函數變成「扁」。這樣
在進行梯度下降的時候，梯度的方向就會偏離最小值的方向，走很多彎路，也就是訓練時間過長。
--如果進行歸一化以後，目標函數會呈現比較“圓”，這樣訓練速度大大加快，少走很多彎路。
綜上可知，歸一化有以下好處，即
1）歸一化後加快了梯度下降求最優解的速度；
2）歸一化有可能提高精確度（如KNN）
###沒有一種資料標準化的方法，放在每一個問題，放在每一個模型，都能提高演算法精度和加速演算法的收斂速度。 ###############更多相關知識，請造訪###常見問題###欄位！ ###
以上是資料歸一化處理的目的是什麼的詳細內容。更多資訊請關注PHP中文網其他相關文章！
