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：

  $$z=\frac{x-\mu }{\sigma }$$

  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]）：

  $$x$$