Feature-Scaling

Definition / 释义

在机器学习与数据分析中，“特征缩放/特征尺度调整”指把不同量纲或取值范围差异很大的特征转换到相近的尺度上，以便模型更稳定、更快收敛或让距离度量更公平（常见方法有标准化 z-score、最小-最大归一化等）。该术语也常写作 feature scaling（无连字符）。

Pronunciation (IPA) / 发音

/ˈfiːtʃər ˌskeɪlɪŋ/

Examples / 例句

We should do feature-scaling before training the model.
我们应该在训练模型之前进行特征缩放。

Without feature-scaling, algorithms like k‑NN or SVM may be dominated by large‑range features, which can reduce accuracy and slow down optimization.
如果不做特征缩放，像 k‑NN 或 SVM 这类算法可能会被取值范围更大的特征“主导”，从而降低准确率并拖慢优化过程。

Etymology / 词源

由 feature（特征）与 scaling（缩放、按比例调整）组合而成。随着机器学习实践中对数值稳定性、梯度下降收敛速度、以及距离/相似度计算公平性的需求增多，“feature scaling”逐渐成为数据预处理阶段的高频术语；连字符写法 feature-scaling 多见于标题、笔记或技术文档中，用来强调其作为一个整体概念。

Related Words / 相关词汇

• Normalization
• Standardization
• Min-Max
• Z-Score
• Preprocessing
• Feature
• Outlier
• Gradient-Descent

Notable Works / 文献与著作中的用例

• The Elements of Statistical Learning（Hastie, Tibshirani, Friedman）——讨论建模与预处理时常涉及特征尺度与标准化的必要性。
• Pattern Recognition and Machine Learning（Christopher M. Bishop）——在分类与核方法等语境中会提到输入特征尺度对模型表现的影响。
• Hands‑On Machine Learning with Scikit‑Learn, Keras & TensorFlow（Aurélien Géron）——以实践角度介绍标准化/归一化等特征缩放流程。
• Python Machine Learning（Sebastian Raschka 等）——在数据预处理章节系统介绍 feature scaling 的常见方法与适用场景。