Robust-Scaling

定义 Definition

robust-scaling（稳健缩放/稳健尺度化）：一种数据预处理（特征缩放）方法，通常用中位数（median）来居中、用四分位距（IQR）来缩放，从而降低异常值（outliers）对尺度变换的影响。常见于机器学习中，让不同特征处于更可比较的量级，但比均值-标准差标准化更“抗异常值”。

例句 Examples

Robust-scaling makes the data less sensitive to outliers.
稳健缩放会让数据对异常值不那么敏感。

Before training the model, we applied robust-scaling to skewed features so that extreme values wouldn’t dominate the learning process.
在训练模型之前，我们对偏态特征做了稳健缩放，以避免极端值主导学习过程。

发音 Pronunciation

/roʊˈbʌst ˈskeɪlɪŋ/

词源 Etymology

该短语由两部分组成：robust（“稳健的、强健的”）源自拉丁语 robustus（“坚硬/强壮”之意）；scaling 来自 scale（“尺度、比例”）。在统计与机器学习语境中，“robust”常指对噪声或异常值不敏感的方法，因此 robust-scaling 指“对异常值更稳健的缩放”。

相关词 Related Words

• Feature-Scaling
• Normalization
• Standardization
• Min-Max-Scaling
• Z-Score
• Median
• Interquartile-Range
• Outlier
• Robust-Statistics
• Preprocessing

文献与作品 Literary Works

• Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow（Aurélien Géron）——在数据预处理与特征缩放部分常会提到稳健缩放/RobustScaler 的思想与用法。
• Python Machine Learning（Sebastian Raschka, Vahid Mirjalili）——讨论特征缩放与异常值影响时，常与稳健方法并列介绍。
• The Elements of Statistical Learning（Hastie, Tibshirani, Friedman）——在更广义的稳健统计与建模语境中涉及对异常值不敏感的尺度处理思想。