为了应对不同特征尺度差异的问题，我们通常在模型训练前进行归一化（Normalization）或标准化（Standardization）处理。这样可以提升模型的收敛速度与性能，特别是在距离敏感型算法中如 KNN、SVM、梯度下降优化等。
方法一：Min-Max Normalization（最大最小归一化）
将特征值压缩到 $[0, 1]$ 区间内，计算公式为：
$$
x’ = \frac{x - x_{\min}}{x_{\max} - x_{\min}}
$$
- $x$：原始特征值
- $x_{\min}$：该特征的最小值
- $x_{\max}$：该特征的最大值
- $x’$：缩放后的值
特点：
- 保留了原始数据的分布形状（不会改变相对距离）
- 对异常值非常敏感（可能把大部分值压缩得太小）
方法二：Z-score Normalization（标准差标准化）
也称为零均值归一化，使特征具有均值为 0、标准差为 1 的分布：
$$
x’ = \frac{x - \mu}{\sigma}
$$
- $\mu$：该特征的均值
- $\sigma$：该特征的标准差
特点：
- 适用于数据符合高斯分布的情况
- 不受异常值影响（比 min-max 稳健）
补充说明
| 方法 | 是否受异常值影响 | 常用于 |
|---|---|---|
| Min-Max 归一化 | 敏感 | 图像像素、神经网络输入层 |
| Z-score 标准化 | 稳健 | 线性回归、SVM、KNN、PCA |