当我们对机器学习数据集进行预处理时，我们需要对数据进行缩放，以使它们全部具有相同的规模。举个例子，我们来看一个小数据集：

这里，一个员工的工作时间和工资栏是不同的，一个是小于100，另一个列是上千。这种不同的规模使得机器学习的计算变得困难，因为小尺度的参数可能会更早收敛，而更高尺度的参数可能会缓慢收敛。

我们需要执行特征缩放的主要原因有两个:

大多数机器学习算法是基于欧几里得距离的，如果我们不执行特征缩放，一个特征可能会支配另一个。在以上数据集中，工时列范围为28-58，薪资列范围为1200 - 89000。它们的规模并不相同，如果我们计算第0行和第3行之间的欧式距离，那么（58-34）²与（41000-12000）²相比非常小，所以工资栏可能会支配我们的特征。即使算法不是基于机器学习，如果我们执行特征缩放，它们运行得更快，并且对于大型数据集，我们具有巨大的性能优势。特征缩放技术

1、标准化

在这种技术中，我们用它的z-score来替换值。

z =(x−μ)/σ

标准化之后的结果是所有的特性都将被重新调整，这样它们就有了标准正态分布的属性，包括=0（均值）和=1（标准偏差）。

2、均值一化

x = (x — mean(x))/(max(x) — min(x))

这个归一化将创建-1和1之间的特性分布和μ= 0。

3. Mean-Max Scaling

x = (x — min(x))/(max(x) — min(x))

这种缩放使得值介于0和1之间。当我们将要素归一化以适应特定范围时，即在图像处理中，强度值应该在0和255之间。

何时缩放当我们为基于欧式距离的算法如k近邻准备数据集时。当执行主成分分析(PCA)进行降维时。加速梯度下降。基于树的模型可以处理不同范围的值，从而不需要对它们进行缩放。

现在让我们看看如何在python中实现这一点

from sklearn.preprocessing import StandardScaler

sc_X = StandardScaler()

X_train = sc_X.fit_transform(X_train)

# Since we have already fit our training set we want to scale test set on same scale so we don't need to fit again

X_test = sc_X.transform(X_test)

我们假设X_train和X_test是从上面的数据集中提取的。