# 数值特征归一化

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 1 章 特征工程
- 页码线索：002
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P0
- 标签：feature-engineering, normalization

## 面试问题

为什么需要对数值类型的特征做归一化？

## 30 秒回答

归一化让不同量纲的特征落到相近尺度，避免模型训练被数值范围大的特征主导，并提升梯度下降类模型的收敛效率。但树模型通常不依赖特征尺度。

## 展开要点

- 常见方法包括 min-max scaling 和 z-score 标准化。
- 线性模型、SVM、神经网络、KNN 等通常受尺度影响。
- 决策树按分裂收益选择特征，单调缩放通常不改变分裂逻辑。
- 归一化参数必须只在训练集上拟合，再应用到验证/测试/线上。

## 高频追问

- 哪些模型需要归一化，哪些不敏感？
- 线上新数据超出训练集范围怎么办？
- 归一化和标准化有什么区别？

## 项目映射

- 在用户画像、价格、时长、频次等混合特征场景中说明预处理方案。
- 讲一个因为训练/线上特征处理不一致导致效果异常的案例。

## AI PM 迁移

AI PM 不必背公式，但要知道特征尺度会影响训练稳定性和模型比较公平性。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。