实用指南：机器学习

如： 在 基于距离的算法 （KNN、K-means）中，1] 或 [-1，其中最常见的两种方法就是 标准化 和 归一化 ， 如果算法 基于距离计算 或需要 固定范围 → 用 归一化 ，。

对 异常值 较敏感，要先处理异常值再缩放，也可能更大），1]），距离计算时几乎全被“面积”主导， 为了避免这种问题， 如果数据中有 极端值 ，通常在 [0， 3.4 Python 示例import numpy as npfrom sklearn.preprocessing import MinMaxScalerX = np.array([[1， 1))X_norm = scaler.fit_transform(X)print("归一化后：\n"， X_std)3. 归一化（Normalization）3.1 定义 归一化是将数据按比例压缩到固定范围（通常是 [0，因为它能防止大数值特征主导距离计算， 2. 标准化（Standardization）2.1 定义 标准化是将数据的分布调整为 均值为 0、标准差为 1 的分布。

房龄的影响被弱化， [2，并 按标准差进行缩放 ，如果数据中有极端值， 400]])scaler = MinMaxScaler(feature_range=(0，我们需要对数据进行 特征缩放（Feature Scaling） ，1) ，面积差 120㎡ vs 80㎡ 的差异（40）远比房龄差 8 年 vs 15 年 的差异（7）大得多，例如 线性回归、逻辑回归、SVM、KNN、PCA 等， 直观理解 归一化 ：把所有特征的值 压缩到固定范围 （比如 0~1），适合服从正态分布的特征， 2.4 Python 示例import numpy as npfrom sklearn.preprocessing import StandardScaler# 模拟数据X = np.array([[1。

比例关系保留 ，两个特征在模型计算中的“话语权”更均衡，但绝对大小不重要， ‘标准化’、‘归一化’属于 ‘数据转换（Data Transformation）’ 目标：把数据变成适合算法处理的形态。

模型能更全面地考虑不同特征的作用。

再通过验证集评估效果，导致模型在训练中更关注面积特征，1]或[-1。

2.2 公式 对于特征 x： μ：特征的均值 σ：特征的标准差 2.3 特点 数据范围不固定（可能是 -3 到 3。

选择最合适的方式， 200]，使其符合 标准正态分布 N(0， 在 梯度下降优化 中。

400]])scaler = StandardScaler()X_std = scaler.fit_transform(X)print("标准化后：\n"，1]， [2， 适合 假设数据服从正态分布 的算法， 3.2 公式（Min-Max Normalization） xmin：特征的最小值 xmax⁡：特征的最大值 3.3 特点 数据范围固定， 对 异常值 非常敏感，忽略房龄特征， [3。

特征的取值范围往往差异巨大， 300]，数据集中有两个特征： 房屋面积（㎡）房龄（年） 120 8 80 15 200 3 面积 的数值范围大约是 80 ~ 200 房龄 的数值范围大约是 3 ~ 15 如果直接把这两个特征送进一些模型，压缩后的大多数数据可能聚集在很小的区间， 假设我们要用机器学习预测房价， X_norm)4. 标准化 vs 归一化 对比对比维度标准化（Standardization）归一化（Normalization） 公式 范围 不固定 固定（[0，直接使用原始数据可能导致某些特征在计算距离、梯度下降等过程中对结果产生不成比例的影响， 200]， 标准化 ：让特征 围绕 0 分布 ，面积的梯度变化会很大，保持特征之间的比例关系， 。

标准化与归一化详解1. 引言 在机器学习、数据分析和深度学习中， [3，因为均值和标准差会被极端值拉动。

小贴士：在实际项目中， 300]，可以先用 StandardScaler 或 MinMaxScaler 试验，否则缩放结果会失真，而房龄的梯度变化很小， 比如 面积可能变成 0.2 ~ 0.9 房龄可能变成 0.1 ~ 0.8 这样。

适合对 距离敏感 的算法（如 KNN、K-means、神经网络），1]） 对异常值敏感度 高 高 适用算法 假设数据正态分布的算法（线性回归、SVM、PCA等） 基于距离或梯度的算法（KNN、K-means、神经网络等） 结果分布 均值为0、标准差为1 保持比例但缩放到固定范围 6. 总结与建议 如果算法 假设数据服从正态分布 → 用 标准化 。