1)、方便處理數(shù)據(jù)。在一些實(shí)際問(wèn)題中，我們得到的樣本數(shù)據(jù)都是多個(gè)維度的，即一個(gè)樣本是用多個(gè)特征來(lái)表征的。比如在預(yù)測(cè)房?jī)r(jià)的問(wèn)題中，影響房?jī)r(jià)的因素有房子面積、臥室數(shù)量等，我們得到的樣本數(shù)據(jù)就是有關(guān)房子面積與臥室數(shù)量的一些樣本點(diǎn)，這里的樣本點(diǎn)對(duì)又被稱為特征向量。很顯然，這些特征的量綱和數(shù)值的量級(jí)都是不一樣的，在預(yù)測(cè)房?jī)r(jià)時(shí)，如果直接使用原始的數(shù)據(jù)值，那么他們對(duì)房?jī)r(jià)的影響程度將是不一樣的，而通過(guò)標(biāo)準(zhǔn)化處理，可以使得不同的特征具有相同的Scale。這樣，在使用梯度下降法學(xué)習(xí)參數(shù)的時(shí)候，不同特征對(duì)參數(shù)的影響程度就一樣了。

　　簡(jiǎn)而言之，當(dāng)原始數(shù)據(jù)不同維度上的特征的尺度（單位）不一致時(shí)，需要標(biāo)準(zhǔn)化步驟對(duì)數(shù)據(jù)矩陣進(jìn)行預(yù)處理。

　　2)、加快收斂速度。大部分?jǐn)?shù)據(jù)矩陣歸一化后收斂速度會(huì)加快。

　　3)、提升精度。

　　4)、防止梯度爆炸。