---
title: "特徵縮放（Feature Scaling）"
slug: feature-scaling
language: zh-TW
source: https://aiterms.tw/terms/feature-scaling
updated_at: 2026-04-29
tags: [機器學習, 資料處理, 特徵工程, 模型訓練, 模型評估, Python程式, 數學基礎, iPAS中級]
ipas_term: false
---

# 特徵縮放（Feature Scaling）

> **你有沒有看過一個欄位是 0 到 1，另一個欄位卻動不動就上千？**
>
> 你可以把特徵縮放想成幫不同尺度的數字穿上同一套尺規，讓模型不要因為數值大小不同就偏心。
>
> 它重要，是因為很多演算法會看數值距離或梯度大小，原始尺度差太多時，訓練就容易歪掉。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **特徵縮放 vs 正規化**
> 正規化常指把數值拉到固定範圍。
> 特徵縮放是更大的概念，包含正規化與標準化等方法。
>
> **特徵縮放 vs 資料清理**
> 資料清理是修錯、補缺漏。
> 特徵縮放是調整尺度，讓模型看得更公平。

### 記住這句就好
> 數值尺度不一樣，模型就可能看不一樣重。

### 實際案例
> **房價預測**
> 面積、屋齡、樓層一起丟給模型前，先把尺度調整好，梯度下降通常會更穩。
>
> **推薦系統**
> 把點擊次數、停留時間、評分值放在同一尺度，距離型模型會更容易比較。

### 算法與應用
> 常見方法有 Min-Max Scaling 和 Standardization。
> 對距離敏感的模型、梯度下降類模型和神經網路，特徵縮放常是很實用的前處理。

### 情境判斷
> **Q1：如果兩個欄位數值差很多，直接丟進模型一定沒問題嗎？**
> → 不一定，很多模型會被大數值欄位主導，縮放後通常更穩。
>
> **Q2：做完特徵縮放後，訓練集和測試集可以各自算各自的參數嗎？**
> → 不行，通常要用訓練集的參數套到測試集，不然容易產生資料洩漏。

### 常見問題
> **Q：特徵縮放一定會提升準確率嗎？**
> 不一定，但對很多距離型或梯度型方法來說，通常會讓訓練更穩。
>
> **Q：樹模型也需要特徵縮放嗎？**
> 通常沒那麼依賴，因為樹主要看切分，不太吃距離尺度。
>
> **Q：縮放後資料會失去意義嗎？**
> 不會，意義還在，只是數字表達方式變了。
>
> **Q：標準化和正規化可以混用嗎？**
> 可以，但要先看模型需求和資料分布，不是每次都要全部做。

### 相關術語
> - **正規化**：先看它，會更容易理解常見縮放方法。
> - **梯度下降**：很多縮放技巧都是為了讓它更穩。
> - **批次正規化**：和前處理縮放不同，但目標都和尺度穩定有關。
> - **機器學習**：特徵縮放最常出現在它的前處理流程。
> - **特徵工程**：縮放常常是特徵工程的一部分。

---

來源：https://aiterms.tw/terms/feature-scaling
快查頁：https://aiterms.tw/terms/feature-scaling
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-feature-scaling