答：归一化可以将所有的特征都統一到一个大致相同的数值区间内在相同学习率下，归一化后的取值范围低需要的迭代次数更少，容易更快地通过梯度下降找到最优解常用的方法有2种：（1）线性函数归一化：${}_{}{}_{}{}_{}{}_{}$
1. 在对数据进行预处理时， 应该怎样处理类别型特征
   
2. 在图像分类任务中， 训练数据不足会带來什么问题 如何缓解数据量不足带来的问题？
   
3. 精确率与召回率的权衡
   
4. 平方根误差的“意外”。RMSE指标都非常高但是模型取得了相当不錯的预测结果。
   

其中P是真实的正样本的数量， N是真实的负样本的数量
5. ROC曲线相比P-R曲线有什么特点
   
6. 探讨为什么在一些场景中要使用余弦相姒度而不是欧氏距离？
   
7. 余弦距离是否是一个严格定义的距离?
   
8. 在模型评估过程中 有哪些主要的验证方法， 它们的优缺点是什么?
   
9. 在自助法的采样过程中 对n个样本进行n次自助抽样， 当n趋于无穷大时最终有多少数据从未被选择过？
   
10. 在模型评估过程中 过拟合和欠拟合具体是指什么现象？
    
11. 能否说出几种降低过拟合和欠拟合风险的方法
    
12. 在空间上线性可分的两类点， 分别向SVM分类的超平面上做投影 这些点在超平面仩的投影仍然是线性可分的吗？
    
13. 逻辑回归相比于线性回归 有何异同？
    
14. 当使用逻辑回归处理多标签的分类问题时 有哪些常见做法， 分别應用于哪些场景 它们之间又有怎样的关系？