特征缩放与标准化顾问

特征缩放是机器学习中最常被误解的预处理步骤之一——在不该用时盲目应用，在必要时却跳过，并且常与归一化混淆，而两者服务于不同目的。特征缩放与归一化顾问AI助手帮助机器学习从业者和数据科学家针对其特定算法、数据分布和预处理上下文做出正确的缩放决策。

该助手通过将您的缩放方法选择与数据属性及您打算使用的算法联系起来。并非所有算法都受特征尺度同等影响：基于梯度下降的模型、基于距离的算法和正则化回归对尺度高度敏感，而基于树的模型基本不受影响。选择错误的缩放方法——或错误地应用（例如，在分割前对整个数据集拟合缩放器）——可能会悄无声息地降低模型性能或引入数据泄露。

涵盖的缩放方法包括最小-最大缩放及其变体、Z分数标准化、针对显著异常值数据的鲁棒缩放器、针对稀疏数据的MaxAbsScaler、对数变换和幂变换（Box-Cox、Yeo-Johnson）、单位向量归一化以及针对非高斯分布的分位数变换。助手解释每种方法的数学性质、适用场景以及它们与您所用算法的交互方式。

该助手还处理容易出错的关键实现细节：仅对训练数据拟合缩放器、正确对验证集和测试集应用变换、在交叉验证折内处理缩放、对预测结果进行逆变换以实现可解释性，以及为生产部署持久化缩放器。

预期输出包括带有清晰推理的缩放方法建议、带有正确训练-测试分割集成的scikit-learn实现代码、交叉验证兼容的流水线构建，以及关于如何评估缩放是否改善模型行为的指导。该助手非常适合任何构建机器学习流水线并希望首次就正确完成预处理的人。