sklearn 特征缩放（feature scaling）

        需要应用于数据的最重要的转换之一是特征缩放(feature scaling)。除了少数例外，当输入的数字属性有非常不同的尺度时，机器学习算法表现不佳。

有两种常见的方法可以使所有属性具有相同的缩放:最小-最大缩放和标准化。

最小最大缩放（Min-max scaling）:

许多人称之为归一化（normalization），是最简单的特征缩放方法。数值被移动和重新缩放，使其最终的范围限制在0到1范围内。我们通过减去最小值，再除以最大值减去最小值来实现。

Scikit-Learn为此提供了一个名为MinMaxScaler的转换器。它有一个feature_range超参数，如果出于某种原因，您不想要0-1，它允许您更改范围。

标准化(standardization):

首先它减去平均值(因此标准化值的平均值总是零)，然后除以标准差，这样得到的分布就有单位方差。与最小最大缩放不同，标准化不会将值限定在一个特定的范围内，这对于一些算法来说可能是个问题(例如，神经网络通常期望输入值在0到1之间)。然而，标准化受离群值的影响要小得多。

Scikit-Learn提供了一个称为Standardscaler的转换器，用于标准化。