处理哪些问题时需要对数据进行标准化？
1、分类（如k-nearest neighbors算法）
2、聚类（如k-means算法）
使用距离（如欧几里得距离）来判定样本之间的相似度的分类和聚类问题，都要进行数据规范化。
3、支持向量机SVM，逻辑回归, perceptron, neural networks etc.
上面这些问题使用梯度优化来获得最优解。比如支持向量机使用梯度优化得到将样本数据分开的最优超平面。
4、主成分分析
总之，涉及到距离、协方差（比如PCA本质涉及协方差计算）、梯度计算的问题要进行标准化。
距离、协方差，是因为要使各特征贡献一致所以使用标准化
梯度计算，是因为如果不标准化，模型的收敛会很慢或者不会收敛到最优解。
原文：https://blog.csdn.net/luckoovy/article/details/82346223
机器学习中哪些算法可以不做归一化？
概率模型不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率。像svm、线性回归之类的最优化问题就需要归一化。决策树属于前者。归一化也是提升算法应用能力的必备能力之一。
原文：https://blog.csdn.net/u010315668/article/details/80374711