数据与特征
特征缩放（feature scaling）
/ FEE-cher SKAY-ling /
特征缩放，就是给每个数值特征「调整尺寸」，让它们用可比的单位说话。想象一下，在给运动员排名前，先把每个人的身高和体重换算到同一尺度上，免得「磅」仅仅因为数字本来就更大，就自动压倒了「英寸」。归一化和标准化，是两种最常见的缩放配方。
具体说来，像收入（数万量级）这样的特征，和像子女数（零到几个）这样的特征，处在截然不同的尺度上。若不缩放，任何「度量距离」或「把加权特征相加」的方法，都会仅仅因为量级问题而被那个数字大的特征主导。缩放会把每个特征重新缩放——比如压到0到1的范围，或调成均值为0、标准差为1——好让每个特征都有公平的发言权。缩放规则总是从训练集中学得，再原封不动地套用到新数据上。
为何重要：基于距离的方法（k近邻、k均值）、用梯度下降训练的模型（多数神经网络、逻辑回归与线性回归），以及带正则化的模型，在特征经过缩放后都会表现更好、训练更快。有些方法则不需要它——随机森林、梯度提升这类基于树的模型，一次只在一个特征上切分，对尺度免疫——所以缩放是一件「方法需要时才用」的工具，而不是一种盲目执行的仪式。
若用收入（以元计）和年龄（以岁计）来找一位顾客的最近邻，收入那庞大的数字会完全淹没年龄——每个人的「最近邻」都只是工资相近的那位罢了。把两者都缩放到0到1，年龄才终于算数，于是相似度同时反映了这两项特质。
缩放前，元淹没了岁；缩放后，两项特质都算数。
缩放并非总有必要：基于树的模型（决策树、随机森林、梯度提升）对尺度不敏感。搞清楚哪些方法在乎缩放，能让你避免照本宣科式的盲目预处理。
又称
另见