Min-Max Scaling

释义 Definition

Min-max scaling（最小-最大缩放/归一化）：一种常见的数据预处理方法，把某个特征的数值按线性比例映射到固定区间（通常是 **[0, 1]**）。常用公式为：
[ x'=\frac{x-\min(x)}{\max(x)-\min(x)} ]
（也可映射到其他区间，如 [-1, 1]。）

发音 Pronunciation (IPA)

/ˈmɪnˌmæks ˈskeɪlɪŋ/

例句 Examples

Min-max scaling maps values into the range from 0 to 1.
最小-最大缩放把数值映射到 0 到 1 的范围内。

Before training the model, we applied min-max scaling to each numeric feature so that variables with larger units wouldn’t dominate the loss.
在训练模型之前，我们对每个数值特征进行了最小-最大缩放，避免量纲更大的变量在损失函数中占主导。

词源 Etymology

该术语由 min（minimum，最小值）+ max（maximum，最大值）+ scaling（缩放） 组合而成，字面意思就是“利用最小值与最大值进行缩放”。在机器学习与统计建模中，这一说法随着数据预处理流程的普及而广泛使用。

相关词 Related Words

• Normalization
• Standardization
• Feature-Scaling
• Z-Score
• Rescaling
• Preprocessing
• Robust-Scaling

文学与经典著作 Literary Works

• Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow（Aurélien Géron）——在特征缩放与数据预处理章节中常提及 min-max scaling 的用法与对模型训练的影响。
• Python Machine Learning（Sebastian Raschka, Vahid Mirjalili）——在特征工程/预处理部分讨论包括 min-max scaling 在内的多种缩放方法。
• Feature Engineering for Machine Learning（Alice Zheng, Amanda Casari）——在特征缩放与数值特征处理语境下讨论 min-max scaling 等方法。