梯度下降法之特征缩放（Feature Scaling）
1.为什么要进行特征缩放？
特征缩放的目的是为了让代价函数J(θ)尽快收敛，如果各特征的取值范围相差很大，代价函数的轮廓图会是一个个瘦长的椭圆形，如下图所示：
这样造成的结果很可能就是，代价函数在梯度下降的过程中来回震荡，收敛速度很慢，所以需要进行特征缩放。
2.特征缩放的意义？
各特征之间的大小范围一致，才能使用距离度量等算法
加速梯度下降算法的收敛
在SVM算法中，一致化的特征能加速寻找支持向量的时间
不同的机器学习算法，能接受的输入数值范围不一样
3.如何进行特征缩放？
一般进行特征缩放的方法是，均值归一化。
进行特征缩放的公式为
其中μi为第i个特征的平均值，Si为第i个特征的最大值和最小值之差（max-min）