均值归一化和标准差归一化

均值归一化和标准差归一化是常用的数据预处理方法，用于将数据转换为具有特定分布的形式，以便更好地适应机器学习算法的要求。

1. 均值归一化（Mean Normalization）：
均值归一化是一种线性变换方法，通过减去数据的均值并除以数据的范围（最大值减最小值）来将数据映射到[-1, 1]的区间内。这样做可以使数据的均值为0，方差较小，有助于提高模型的收敛速度和稳定性。

2. 标准差归一化（Standardization）：
标准差归一化也是一种线性变换方法，通过减去数据的均值并除以数据的标准差来将数据转换为均值为0，标准差为1的分布。标准差归一化可以使得数据分布更接近正态分布，有助于提高模型的性能和稳定性。