詳細解釋
標準化（Standardization）是將特徵轉換為均值0、標準差1的分佈的預處理技術，也稱Z-score標準化，是許多算法的預設假設。
Z-score標準化：
- x' = (x - μ) / σ
- μ：特徵均值
- σ：特徵標準差
- 結果：均值0，標準差1
特性：
- 分布：不改變原分布形狀
- 異常值：比歸一化更魯棒
- 負值：允許負值
- 單位：消除量綱影響
與歸一化對比：
- 標準化：均值0方差1，無界
- 歸一化：範圍[0,1]，有界
- 選擇：取決於算法需求
必須標準化的算法：
- 邏輯迴歸：梯度下降更快
- SVM：距離計算
- 神經網絡：輸入標準化加速
- PCA：基於協方差
- 線性迴歸：數值穩定
可以不用的算法：
- 決策樹：基於閾值
- 隨機森林：樹模型
- 梯度提升樹：基於排序
實現：
- scikit-learn：StandardScaler
- 手動：(x - mean) / std
注意事項：
- 從訓練集計算統計量
- 應用到測試集
- 類別變量不需要
標準化是機器學習預處理的標準實踐。