Elysia Tools
导航
Data Processing
· 最后更新：2025-01-22
使用各种方法对特征进行缩放和标准化，用于机器学习预处理和数据标准化
执行
填写表单、运行工具，并在同一页面查看结果。
案例
相关内容
工具使用指南
特征缩放器是一款专为机器学习与数据预处理设计的在线工具，支持 Z-score 标准化、Min-Max 缩放、鲁棒缩放、分位数缩放及 Yeo-Johnson 幂变换等多种算法。用户只需粘贴 CSV 数据，即可自动识别数值列并完成特征归一化，支持导出转换参数用于后续逆变换还原。
背景
正在构建基于欧氏距离的 KNN 聚类模型，原始数据中的“年龄（20-60）”和“年收入（30000-200000）”量纲差异巨大。
问题
收入特征的绝对数值过大，完全主导了样本间距离计算，导致模型聚类失真。
如何使用
在 CSV 输入框粘贴用户特征数据，缩放方法选择“最小最大值缩放”，输出格式选择 CSV，勾选“保存缩放参数”后执行变换。
scalingMethod: minmax, outputFormat: csv, hasHeader: true, saveParams: true结果
所有数值特征被线性映射至 [0, 1] 区间，各维度权重平衡，同时导出了用于线上推理的参数配置。
背景
分析服务器监控日志中的响应耗时指标，部分请求存在网络抖动导致的极端高延迟点。
问题
标准 Z-score 缩放受极大值影响导致均值偏移，大部分正常请求的转换值被严重压缩。
如何使用
粘贴监控指标 CSV 数据，在要缩放的列填入“response_time”，缩放方法选择“鲁棒缩放（中位数和绝对偏差）”。
scalingMethod: robust, selectedColumns: response_time, scaledOnly: true结果
基于中位数和分位数间距完成缩放，消除了极端高延迟对整体特征尺度的干扰。
不会。留空列选择时工具会自动检测并仅对数值列进行缩放，非数值列将保持原样保留在输出中。
逆变换用于将已缩放的数值还原回原始量纲。勾选“逆变换”选项并粘贴之前保存的 JSON 参数即可完成还原。
建议选择“鲁棒缩放（Robust）”，该方法使用中位数和四分位距（IQR）计算，不易受极端离群值的拉扯。
支持直接输出为标准 CSV 格式、JSON 数组格式，或包含数据变换统计指标的纯文本报告。
适用于存在偏态分布且数据中包含零或负数的场景，能有效稳定方差并使数据逼近正态分布。