質問1：
- なぜデータを標準化する必要がありますか？
実生活では、目的変数（Y）は、X 1 = 10000、X2として、次に順序のこれらの特性変数の寸法及び値が異なることになる複数の特性変数（x）の影響及び制御、と考えることができます= 1、X3 = 0.5の特徴は明確X1とX2、X3の次元ギャップことがわかる、ターゲット変数にターゲット変数比意志X2にX1の影響、X3の影響が大きい（目標とすることができるようX1、X2、X3あまり影響によって制御される変数は、一度X1の問題の値は、直接標準化を通じて、消費電力の独占による目標変数X1の予測値は、）高リスクが予測する予測ターゲット変数に影響を与えますその異なる変数に特徴付け処理は、ターゲット変数が勾配を使用して秋に、ように、同じ大きさの特性複数の変数によって制御することができるように、（特性の値が一定の範囲内に制御されると言うことである）と同じ寸法を有しますメソッドのパラメータ、同じへの影響度の異なるパラメータの特性を学習するとき。例えば、ニューラルネットワークを訓練する過程で、データは重みパラメータの重みの収束を加速するために、標準化しました。
簡単に言えば：データの標準化は、機能の違いを排除するように設計され、特性が心をこめて重みを学習促進します。
質問2：
- 場合は、データの標準化、データの標準化とする場合の必要性はありませんか？
スケールは、元のデータ（IN）の異なる寸法に備えた場合には（1）から、我々は知ることができ一致、データはステップ、そうでなければデータの標準化前処理標準化する必要がありません。
次の例は、この種の問題は、一般的に、データの標準化のために必要とされています。
| A | 回帰 |
|---|---|
| B | 機械学習アルゴリズム |
| C | ニューラルネットワークを訓練 |
| D | クラスタリング問題 |
| E | 分類 |
| F | 主成分分析（PCA）の問題 |
上のデータの標準化の方法と知識 ***：あなたはこのブロガーに他のブログの記事（***パイソン（クラシック）データ正規化方法、クラスタリング、分類の要約を表示することができますhttps://blog.csdn.netを/ data_bug /記事/詳細/ 81586412 ）
