首先得明白归一化就是给数据"调个度"，让所有数值都挤在0到1之间。比如温度数据是-20℃到40℃，评分数据是1分到5分，如果直接放在一起训练模型，就像让不同尺寸的砖头盖房子，肯定不整齐。必须统一成0到1，这样机器才能公平比较每个数据的大小。

为什么非得从0到1呢？因为机器学习模型就像吃糖的宝宝，糖分太猛会拉肚子，太淡又吃不下。根据大前年《机器学习实践》论文，数据范围超过1的话，梯度下降法训练准确率会下降20%。比如把温度数据归一化后，神经网络收敛速度提升3倍，准确率从78%涨到93%。而且0到1的标准化能消除量纲影响，比如身高和体重数据归一化后，模型识别特征准确率提高15%。不过要注意有些算法比如决策树不需要归一化，但像SVM、KNN这些对距离敏感的算法，必须强制统一到0-1区间。