完整定義
特徵縮放是一種資料前處理技術,旨在將資料集中不同特徵的數值範圍調整到一個相似的尺度。這對於許多機器學習演算法至關重要,因為它可以防止具有較大數值的特徵在模型訓練過程中佔據主導地位,從而影響模型的效能和準確性。
白話說明
你有沒有看過一個欄位是 0 到 1,另一個欄位卻動不動就上千?
你可以把特徵縮放想成幫不同尺度的數字穿上同一套尺規,讓模型不要因為數值大小不同就偏心。
它重要,是因為很多演算法會看數值距離或梯度大小,原始尺度差太多時,訓練就容易歪掉。
記住這句
數值尺度不一樣,模型就可能看不一樣重。
比喻:特徵縮放就像把不同單位的貨幣換算成統一貨幣 -- 如果你同時有日圓、美元和歐元,直接加起來會很混亂。特徵縮放就是把這些不同範圍的數值(特徵)都換算成相同的標準(例如 0 到 1),讓它們在模型計算時能被公平對待,不會因為數值大小而產生不合理的影響。
容易混淆
特徵縮放 vs 正規化
正規化常指把數值拉到固定範圍。
特徵縮放是更大的概念,包含正規化與標準化等方法。
特徵縮放 vs 資料清理
資料清理是修錯、補缺漏。
特徵縮放是調整尺度,讓模型看得更公平。
實際案例
房價預測
面積、屋齡、樓層一起丟給模型前,先把尺度調整好,梯度下降通常會更穩。
推薦系統
把點擊次數、停留時間、評分值放在同一尺度,距離型模型會更容易比較。
演算法與應用
常見方法有 Min-Max Scaling 和 Standardization。
對距離敏感的模型、梯度下降類模型和神經網路,特徵縮放常是很實用的前處理。
情境判斷
Q1:如果兩個欄位數值差很多,直接丟進模型一定沒問題嗎?
不一定,很多模型會被大數值欄位主導,縮放後通常更穩。
Q2:做完特徵縮放後,訓練集和測試集可以各自算各自的參數嗎?
不行,通常要用訓練集的參數套到測試集,不然容易產生資料洩漏。
常見問題
不一定,但對很多距離型或梯度型方法來說,通常會讓訓練更穩。
通常沒那麼依賴,因為樹主要看切分,不太吃距離尺度。
不會,意義還在,只是數字表達方式變了。
可以,但要先看模型需求和資料分布,不是每次都要全部做。
出現在這些考古題
官方公告試題的逐題解析裡,有 10 題把特徵縮放列為延伸術語,這裡列出 5 題。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本