参考：https://medium.com/greyatom/why-how-and-when-to-scale-your-features-4b30ab09db5e
- 具有欧几里德距离度量的k个近邻对幅度敏感，因此应按比例缩放所有要素以均等地加权。
- 在执行主成分分析（PCA）时，缩放至关重要。PCA尝试获取具有最大方差的特征，而对于高强度特征，方差很高。这会使PCA偏向高强度特征。
- 我们可以通过缩放来加速梯度下降。这是因为θ在小范围内会迅速下降，而在大范围内会缓慢下降，因此当变量非常不均匀时，会无效率地振荡到最佳状态。
- 基于树的模型不是基于距离的模型，并且可以处理变化范围的要素。因此，在对树进行建模时不需要缩放。
- 诸如线性判别分析（LDA），朴素贝叶斯（Naive Bayes）之类的算法经过设计可处理此问题，并相应地赋予特征权重。在这些算法中执行特征缩放可能效果不大。
需缩放：KNN、PCA、梯度下降
不需缩放：基于树、LDA、朴素贝叶斯
