搜尋算法小知識：
資料歸一化 vs 标準化：
1. 标準化（Standardization）：标準化是一種基于統計分布假設的處理方式，目的是使資料滿足目标分布模型，使不同度量之間的特征具有可比性。
2. 通常标準化是通過特征的平均值和标準差，将特征縮放成一個标準的正态分布，縮放後均值為0，方差為1。标準化是為了友善資料的下一步處理，而進行的資料縮放等變換，和歸一化有本質不同；Z-score标準化：主要目的就是将不同量級的資料統一轉化為同一個量級、有異常值的情況，統一用計算出的Z-Score值衡量，以保證資料之間的可比性
3. 歸一化（Normalization）：
歸一化是将資料按比例縮放，使其值落入特定的範圍，通常是[0, 1]或[-1, 1]之間，本身不改變資料分布。常用的歸一化方法有最小-最大歸一化（Min-Max normalization）和Z-Score歸一化。最小-最大歸一化（異常值非常敏感） -- 線性歸一化：目标區間最小-最大歸一化 ---- 線性歸一化：最大值歸一化 ---- 線性歸一化：非線性歸一化：包括 log、指數，正切，softmax，Sigmoid等，
4. 歸一化 vs 标準化：
标準化做的事情就是使原來的分布改變為高斯分布，改變資料原始分布；歸一化是将資料壓縮到一定範圍，不改變資料分布；歸一化縮放僅僅跟最大、最小值的差别有關，标準化處理時縮放和每個點都有關系，通過方差來展現出來；如果對輸出結果範圍有要求、資料較為穩定、不存在極端的最大最小值，可用用歸一化；資料存在異常值和較多噪音，用标準化間接通過中心化避免異常值和極端值的影響；
