特征归一化（Normalization）是数据预处理中的一种重要技术，其主要目的是将不同量纲或数值范围的特征转换到同一尺度上，以消除特征之间的量纲影响，确保不同指标具有可比性。这一过程有助于提高机器学习模型的性能和收敛速度，特别是在使用基于梯度下降的优化算法时。
常用的特征归一化方法包括：
- Min-Max归一化：将特征值缩放到指定的范围（通常是0到1），通过线性变换实现。
- Z-score标准化：也称为零均值归一化，将数据转换为均值为0、标准差为1的分布。
- 最大绝对值缩放：将数据缩放到[-1, 1]区间内，适用于数据中存在极端值的情况。
- Robust缩放：使用中位数和四分位数范围（IQR）进行缩放，对异常值不敏感。
特征归一化不仅有助于提升模型的训练效率和精度，还能加快梯度下降求最优解的速度。然而，并非所有模型都需要归一化，例如决策树在构建时不需归一化
声明：文章来源于网络，如有侵权请联系删除！