特征缩放：深入理解标准化与归一化

在机器学习和数据分析领域，特征缩放（Feature Scaling）是最重要的数据预处理步骤之一。本文将通过原理讲解和代码实践，深入探讨两种最常用的特征缩放方法：标准化（Z-Score标准化）和归一化（Min-Max标准化）。

---

一、为什么需要特征缩放？

当数据特征存在量纲差异时（如年龄[0-100]与收入[0-1000000]），会导致：

1. 距离计算主导权向大范围特征倾斜
2. 梯度下降收敛速度变慢
3. 某些算法（如SVM、KNN）性能下降

---

二、标准化（Standardization）

数学原理

standardized_data = (data - mean) / std

• 均值中心化：减去特征均值（μ）
• 标准差缩放：除以特征标准差（σ）
• 处理结果：数据服从标准正态分布（μ=0, σ=1）

特性

属性	说明
均值	0
标准差	1
数据范围	[-∞, +∞]
异常值敏感度	中

应用场景

• 线性回归、逻