1. 项目简介
在上一个项目中，你将安然人物的财务数据作为输入，对这些人物执行了 k-均值聚类。我们将更新那部分工作，以包含被缩放的特征，看看会有怎样的变化。
2. 缩放类型
回顾 K-均值聚类迷你项目最后一部分。我们当时没有详细探讨缩放算法而部署了缩放，但是你现在更加了解具体的缩放算法了，并且可以分析出我们使用的是哪类缩放。
哪类缩放被部署了？
3. 计算重缩放特征
对你在上一节课中的 k 均值聚类代码的“salary”和“exercised_stock_options”特征（仅这两项特征）运用特征缩放。 原始值为 20 万美元的“salary”特征和原始值为 1 百万美元的“exercised_stock_options”特征的重缩放值会是多少？ （确保呈现浮点型而非整数型数字！）
答：0.17962407，0.02902059
4. 何时部署特征缩放
有人可能会质疑是否必须重缩放财务数据，也许我们希望 10 万美元的工资和 4 千万美元的股票期权之间存在巨大差异。如果我们想基于“from_messages”（从一个特定的邮箱帐号发出的电子邮件数）和“salary”来进行集群化会怎样？ 在这种情形下，特征缩放是不必要的，还是重要的？
答：重要的。
5. 源码分享
https://github.com/voidking/ud120-projects
6. 书签
机器学习入门
https://cn.udacity.com/course/intro-to-machine-learning--ud120
