在人工智慧，我們會利用資料的特徵來訓練模型，使其能夠進行各種任務預測，但是在實際應用中，特徵之間的數值範圍和分佈可能存在巨大的差異，這樣的差異如果不加以處理，可能會對模型的性能產生負面影響。舉例來說，如果有兩個特徵 f1 和 f2，其中 f1 的數值範圍在 1 萬到 5 萬之間，而 f2 的數值範圍只在 1 到 2 間，這樣的數值差異是相當巨大的，尤其是當這些特徵之間相關性很高時，這種差異可能對模型的性能產生負面影響，像是特徵 f1 的變動(1 萬跳到 3.8 萬)可能對預測的影響會大於 f2 的變動(1 到 0.001)
所以在資料前處理中，常常會用到特徵縮放(Feature Scaling)這個步驟，來確保數據中的某些特徵要能處於相似的尺度

正規化(Normalization)

是一種將資料轉換為新的尺度，使得所有特徵的值都位於一個固定範圍內，這個過程有助於確保不同特徵之間的數值差異保持在合理範圍內，以確保模型在訓練和預測時能夠更好地表現
以下是一些常見的正規化方法：

Min-Max Scaling(Min-Max Normalization)

將資料縮放到 [0, 1] 之間，保留了數據間的相對順序和距離

MaxAbs Scaling

將資料縮放到 [-1, 1] 之間

Z-score Normalization

就是 Standardization，將資料轉換為平均值為 0，標準差為 1 的新尺度的方法，使資料轉換成接近標準常態分佈的樣貌

Mean Normalization

將資料縮放到 [-1, 1] 之間

有些模型就算沒有做特徵縮放，也不會對模型造成影響，像是對於決策樹(Decision Tree)等 Tree-based Model，特徵的尺度通常不會影響模型的性能