神经网络的检验（二）——特征数据标准化

为了让神经网络更好的消化，我们需要对数据进行特征标准化。
一般的数据可能来源不同，规格不同，采集方式不同，以买房的例子为例：
离市中心的距离数据变化差距不是很大，楼层也不是很大，但是面积的变化差距还是挺大的。我们利用这三组数据对房子的价格进行预测，假如这里面面积对于价格的影响最大，但是神经网络并不知道，在误差反向传播的时候，误差的修正是每个参数平均分摊修正的，但是假如楼层对影响不大，面积影响大，修正同样的误差量，面积很快就可以修正好，但是楼层可以需要很久的时间，这样就导致效率很低。

再比如，三个人一起工作，a的能力较弱，b一般，c能力较强，当他们合作做一项工作的时候，c会很快做好工作，而a就会很慢才完成，完成之后老板觉得他们的工作还有可以进步的地方，于是三人平摊任务继续干活，但是又是c很快就完成了，但是a则需要很长的时间，c,b都要等a完成工作才能去交工，这就导致效率很低了。

这时我们可以将数据进行标准化：展宽跨度小的数据，压缩跨度大的数据。这样不仅可以加快机器学习的速度，还能够避免机器学习学习的特别扭曲。目前比较流行的标准化方法有minmax normalization 和 std normalization,前一种是将数据按比例缩放到（0,1）区间，后一种是将数据转换为均值为0，方差为1的数据。