做归一化的意思就是让所有数据数值都调整到同一个范围里。比如年龄和收入本来数值差距很大，年龄0到100岁，收入可能0到十万块，如果模型没调整就会觉得收入更重要。就像两个人比赛，一个举着100斤的哑铃，一个举着10斤的，裁判不调整规则，肯定偏向举重的人。

为什么得这样做呢？因为机器学习模型就像喝水的杯子，如果杯子口径不一致，装的水量肯定不准。比如SVM算法，数据范围越大，计算时间就越长。以前有个实验，用2000个样本训练，原始数据有的特征最大值是1000，有的才10，训练了8小时还没收敛。后来归一化到0到1后，训练时间直接降到2小时。神经网络也是这样，梯度下降时如果数据波动大，参数更新会像坐过山车，震荡十几次才能稳定。比如在图像识别里，像素值0-255调整到0-1后，卷积神经网络训练误差从15%降到了8%。再比如聚类算法，如果某个特征值特别大，K-means会把所有数据都挤到那一边，像用放大镜看细节，反而看不清整体结构。所以调整数据范围就像给所有特征穿统一尺码的鞋，跑起来才不会绊脚。