特徵縮放的常用方法主要有以下幾種：
- 最小最大縮放（Min-Max Scaling）
將特徵值縮放到固定範圍（通常是0到1之間），計算公式是
- 。這種方法適合數據分佈較均勻或需要映射到特定範圍的場合，但對極端值敏感。
- 標準化（Standardization）
將特徵值的平均數轉為0，標準差轉為1，計算公式是
- ，其中 μμ為均值，σσ為標準差。適用於數據接近正態分佈，常用於支持向量機、邏輯回歸等模型。
- 魯棒縮放（Robust Scaling）
利用中位數和四分位距縮放，減少異常值影響，計算公式為
- 。適用於有不少離群點的數據。
- 均值縮放（Mean Normalization）
透過將特徵均值置為0並按最大值和最小值範圍縮放，計算公式是
- ，適用於數據分佈不均且希望中心化的情況。
- 正規化（Normalization）
將特徵向量縮放為單位長度，使整個向量長度為1，常用於計算距離的算法。
這些方法可統一特徵量級，使模型訓練更穩定且加速梯度下降收斂，提升模型準確性。選擇適當的縮放方法，依據資料分佈特性和模型需求決定.
