问题1:
- 为什么要进行数据标准化？
在现实生活中，一个目标变量（y）可以认为是由多个特征变量（x）影响和控制的，那么这些特征变量的量纲和数值的量级就会不一样，比如x1 = 10000，x2 = 1，x3 = 0.5 可以很明显的看出特征x1和x2、x3存在量纲的差距；x1对目标变量的影响程度将会比x2、x3对目标变量的影响程度要大（可以这样认为目标变量由x1掌控，x2，x3影响较小，一旦x1的值出现问题，将直接的影响到目标变量的预测，把目标变量的预测值由x1独揽大权，会存在高风险的预测）而通过标准化处理，可以使得不同的特征变量具有相同的尺度（也就是说将特征的值控制在某个范围内），这样目标变量就可以由多个相同尺寸的特征变量进行控制，这样，在使用梯度下降法学习参数的时候，不同特征对参数的影响程度就一样了。比如在训练神经网络的过程中，通过将数据标准化，能够加速权重参数的收敛。
简而言之：对数据标准化的目的是消除特征之间的差异性，便于特征一心一意学习权重。
问题2：
- 什么时候需要进行数据标准化，什么时候不需要进行数据标准化？
由（1）我们可以知道当原始数据不同维度上的特征的尺度（单位）不一致时，需要标准化步骤对数据进行预处理，反之则不需要进行数据标准化。
例如下面这几类问题一般都需要进行数据标准化：
| a | 回归问题 |
|---|---|
| b | 机器学习算法 |
| c | 训练神经网络 |
| d | 聚类问题 |
| e | 分类问题 |
| f | 主成分分析（PCA）问题 |
关于数据标准化的方法以及知识点可以查看本博主的另外一篇博文（***python（经典）数据标准化方法、聚类方法、分类方法总结：***/data_bug/article/details/81586412）