Sklearn 机器学习 数值标准化
💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～💖
本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】
Sklearn 机器学习：数值标准化实战指南（含 CSV 读取与训练测试处理）
在机器学习中，特征的数值标准化（Normalization/Standardization） 是模型训练前非常重要的预处理步骤，尤其在使用如 SVM、KNN、逻辑回归等对特征尺度敏感的算法时更是关键。
💡 术语说明：在实际使用中，
Normalization和Standardization虽常被混用，但两者含义略有不同：
- Standardization 指将数据转换为标准正态分布（均值为0，标准差为1）；
- Normalization 通常指将数据缩放到特定区间（如 [0,1]）；
本文统一使用“数值标准化”泛指特征尺度调整的所有方法，具体方法将在文中分别说明。
📌 一、什么是数值标准化？
数值标准化是将特征数据缩放到统一的尺度上，常见方法包括：
-
Z-score 标准化（StandardScaler）
将每一维特征转换为均值为 0，标准差为 1 的分布：z = x − μ σ z = \frac{x - \mu}{\sigma} z=σx−μ
其中 $\mu$ 为特征均值，$\sigma$ 为标准差。
-
最小-最大缩放（MinMaxScaler）
将特征压缩到指定区间（如 [0, 1]）：x ′ = x − x min x max − x min x' = \frac{x - x_{\min}}{x_{\max} - x_{\min}} x