特征缩放 Min-Max 使用指南

Min-Max 特征缩放器，将特征值线性缩放到 [0,1] 或 [−1,1] 区间，用于机器学习归一化预处理，注意 max≠min。

计算公式与原理

x′ = (x − min)/(max − min)；[-1,1] 映射 x″ = 2x′ − 1；Z-score 近似 (x − x̄)/((max − min)/2)

Min-Max 把特征线性压到固定区间，保留原始分布形状但不改变相对关系；缺点是受离群点支配（一个极大值会把其余样本挤到窄区间）。树模型不需要缩放，而梯度下降类与距离类模型通常必须做。

使用步骤

1. 填写「原始值」。
2. 填写「最小值」。
3. 填写「最大值」。
4. 填写「目标范围 1=[0,1] 2=[-1,1]」。
5. 结果区会即时更新；可一键复制结果用于记录或汇报。

典型使用场景

• [0,1] 缩放 x'=(x−min)/(max−min)；[−1,1] 缩放 x'=2(x−min)/(max−min)−1。
• 要求 max≠min，否则分母为零；异常值会压缩正常样本区间。
• 缩放到固定区间利于梯度下降与距离类算法(如 KNN、K-Means)收敛。

算例参考

• 归一化计算：特征取值 10~40，x=25 → [0,1]:(25−10)/30=0.5；[−1,1]:2×0.5−1=0.0，恰为区间中点。若含异常值 1000 则正常样本全挤在 0 附近。

注意事项

结果为按上述公式得到的理论估算值，实际表现受数据分布、实现细节与运行环境影响，落地决策请以实测为准；本工具纯前端运行，输入不上传服务器。

Min-Max 和 StandardScaler 怎么选？

Min-Max 固定边界、对异常值敏感，适合已知范围(如图像 0~255)；StandardScaler(均值0方差1)对异常更稳健，适合多数建模。

测试集怎么缩放？

必须用训练集的 min/max 缩放测试集，不能用测试集自身统计量，否则引入数据泄露、夸大泛化效果。