本关任务：利用sklearn对数据进行标准化。为什么要进行标准化在机器学习中常忽略数据的分布，仅仅对数值做零均值、单位标准差的处理。在一个机器学习算法的目标函数里的很多元素所有特征都近似零均值，方差具有相同的阶。如果某个特征的方差的数量级大于其它的特征，那么，这个特征可能在目标函数中占主导地位，这使得模型不能从其它特征有效地学习。三种标准化方式Z-score标准化公式：结果：对每个特征/每列来说所

本关任务：利用sklearn对数据进行归一化。为什么使用归一化归一化是缩放单个样本以具有单位范数的过程。归一化能够加快模型训练速度，统一特征量纲，避免数值太大。值得注意的是，归一化是对每一个样本做转换，所以是对数据的每一行进行变换。而之前我们讲过的方法是对数据的每一列做变换。L1范数归一化L1范数就是向量各元素的绝对值之和，也被称为是"稀疏规则算子，有两个好处：1、特征选择2、可解释性代码实现fr