Andrew在他的机器学习课程里强调，在进行学习之前要进行特征缩放，目的是保证这些特征都具有相近的尺度，这将帮助梯度下降算法更快地收敛。
python里常用的是preprocessing.StandardScaler()
公式为：(X-mean)/std 计算时对每个属性/每列分别进行。
将数据按期属性（按列进行）减去其均值，并处以其方差。得到的结果是，对于每个属性/每列来说所有数据都聚集在0附近，方差为1。
但是我在用k-means进行分类的时候发现，归一化之后分类的准确性反而下降了，应该是跟我的数据特征有关系。我的数据是三维坐标，我的要求是z轴不一样的数据一定不能放在一类里，所以我人为将z轴数据加剧区分度，比如原来是（10，20，0），（13，16，0），（23，16，10）。为了确保将z轴不同的数据区分开来，我将第三个数据改为了（23，16，100），这样z维的数据区别远大于其他两维，在聚类是就不会被淹没。但是当进行归一化之后，所有的数据都变得很小，我想要的区分度就不能体现了，就达不到我需要的聚类效果。
所以我觉得，是不是需要做归一化，以及如何做归一化还是需要根据情况而定。