如果输人的数值属性具有非常大的比例差异，往往导致机器学习算法的性能表现不佳，当然也有极少数特例。案例中的房屋数据就是这样：房间总数的范围从6到39 320，而收入中位数的范围是0到15。注意，目标值通常不需要缩放。
同比例缩放所有属性，常用的两种方法是：最小-最大缩放和标准化。
最小-最大缩放，又叫作归一化，很简单：将值重新缩放使其最终范围归于0到1之间。实现方法是将值减去最小值并除以最大值和最小值的差。
标准化则完全不一样：首先减去平均值(所以标准化值的均值总是零)，然后除以方差，从而使得结果的分布具备单位方差。
不同于最小-最大缩放的是，标准化不将值绑定到特定范围，对某些算法而言，这可能是个问题(例如，神经网络期望的输人值范围通常是0到1)。但是标准化的方法受异常值的影响更小。例如，假设某个地区的平均收人等于100 (错误数据)。最小-最大缩放会将所有其他值从0~15降到0~0.15，而标准化则不会受到很大影响。
