sklearn特征缩放（feature scaling）[MinMaxScaler, standardization]

当输入数值属性有不同的尺度，比如有的属性变化范围为-1到1,而有的属性变化范围为1到1000，机器学习算法通常不会表现的很好，因而需要对数值属性进行特征缩放。

有两个常用的方法可以使得所有的属性有相同的尺度， min-max scaling 和 standardization。

• MinMaxXScale 也称 normalization
  class sklearn.preprocessing.MinMaxScaler(feature_range=(0, 1), copy=True)
  独立的缩放每一列特征，将特征值缩放到给定的范围内。
  转换公式：

X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min

其中，min, max = feature_range

参数：

• fature_range ： tuple(min, max), default=(0,1)
  决定了特征值的缩放范围，从转换公式的第二行就很明显的看出了。
• copy: boolean, opetional dafault True
  如果copy=False， 执行的是行正则化，并且是在原数据上操作

 from sklearn.