特征工程常识：为什么归一化很重要

不同特征的量纲差异会给模型训练带来麻烦，例如年龄在几十的量级，而收入可能在万级。若不处理，梯度下降容易被大量级特征主导。

归一化将特征缩放到相近范围，常见方法有最小最大缩放和标准化。前者把值映射到零到一，后者转为均值为零、方差为一的分布。

对树模型而言，归一化影响较小，因为分裂点只依赖相对顺序。但对线性模型和神经网络，归一化能显著加快收敛并提升稳定性。

实践中还要注意训练集与线上服务的一致性，归一化参数必须用训练集统计量并固定下来，避免数据穿越和线上线下不一致。