【机器学习】进阶学习：详细解析Sklearn中的MinMaxScaler—原理、应用、源码与注意事项 这篇文章的质量分达到了97分，虽然满分是100分，但已经相当接近完美了。请您耐心阅读，我相信您一定能从中获得不少宝贵的收获和启发~ 🌈 个人主页：高斯小哥 🔥 高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教

1.Normalizer（归一化）（更加推荐使用） 优点：将每个样本向量的欧几里德长度缩放为1，适用于计算样本之间的相似性。 缺点：只对每个样本的特征进行缩放，不保留原始数据的分布形状。 公式：对于每个样本，公式为：x / ||x||，其中x是样本向量，||x||是x的欧几里德范数。 2.MinMaxScaler（最小-最大标准化） 优点：将数据缩放到指定的范围（通常是0到1之间），保留了原

https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html#sklearn.preprocessing.MinMaxScaler.fit

https://blog.csdn.net/weixin_40683253/article/details/81508321