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。

🖼️ Min-Max Feature Scaler

Linearly rescale feature values into the [0, 1] or [-1, 1] range, the standard preprocessing step before distance-based models.

📐 计算公式 / 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。

原始值

最小值

最大值

目标范围 1=[0,1] 2=[-1,1]

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。

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。