什么是数据归一化？为什么在选择数据集时需要进行数据归一化？
数据归一化是将数值数据调整到通用尺度的过程，通常是为了消除特征间值的范围或分布差异。例如，在一个包含房价（范围从 10 万美元到 100 万美元）和卧室数量（1 到 5）的数据集中，这些特征之间的巨大尺度差异可能会导致机器学习模型出现问题。诸如 Min-Max 缩放（将值调整到 0-1 范围）或 Z-score 标准化（将数据以零为中心并具有单位方差）等归一化方法可确保所有特征在分析期间做出同等贡献。此步骤不会更改数据中的内在关系，但使算法更易于处理。
归一化是必要的，因为许多机器学习算法对输入特征的尺度很敏感。例如，基于梯度下降的模型（例如，线性回归、神经网络）在特征处于相似尺度时收敛得更快，因为大数值范围可能会主导优化过程。基于距离的算法（如 K 近邻 (KNN) 或支持向量机 (SVM)）也依赖于特征相似性；如果一个特征的范围大得多，它会不成比例地影响距离计算。如果没有归一化，模型可能会产生有偏差或次优的结果。例如，一个包含收入（例如，30,000 美元–200,000 美元）和年龄（18–90 岁）的数据集会导致收入在聚类任务中掩盖年龄，除非进行归一化。
在选择数据集时，是否需要归一化取决于数据的特征和预期用例。如果特征具有不同的单位或尺度（例如，摄氏温度与美元收入），则可能需要归一化。但是，基于树的算法（例如，决策树、随机森林）受尺度的影响较小，因此归一化可能是可选的。开发人员还应考虑数据集是否已预先归一化——某些公共数据集（例如，用于图像的 MNIST）已缩放到 0-1 范围。如果将新数据添加到现有的归一化数据集，应用相同的缩放参数（例如，使用训练集的平均值和方差用于测试数据）对于避免数据泄漏至关重要。正确的归一化可确保一致性、提高模型性能并简化开发过程中的调试。