对于线性模型来说，对特征做数据归一化是为了使不同的特征处于同样的量级范围内，不至于出现某些特征所占比重过大，从而主导预测结果。

另外，归一化可以提升收敛速度。
对于梯度下降优化的算法，如果我们的数据没有做归一化，会导致特征空间的不规则性，求最优解过程中，很可能会导致Z字形路线，需要迭代多次才能收敛。

归一化之后，在梯度下降进行求解时能较快的收敛。

归一化方法：
1）x=(x−min)/(max−min)
这种方法适用于数值比较集中的情况。这种方法有个缺陷，如果max和min不稳定，很容易使得归一化结果不稳定，使得后续使用效果也不稳定。实际使用中可以用经验常量值来替代max和min。
2）x=(x-μ)/σ
特征属性减去均值，除以方差。

什么模型需要归一化？
像Adaboost、SVM、LR、Knn、KMeans之类的最优化问题就需要归一化。树形模型不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、RF。