Z 分數標準化 是什麼？
Z-score Normalization：Z 分數標準化 的完整解釋
將特徵值轉換為均值為 0、標準差為 1 的標準常態分佈的資料預處理方法。
Z 分數標準化（Z-score Normalization）是資料預處理中最常用的特徵縮放方法之一，其數學定義為：z = (x - μ) / σ，其中 x 是原始觀測值，μ 是該特徵在訓練集上的均值，σ 是該特徵的標準差。轉換後的資料具有均值為 0、標準差為 1 的性質，這種分佈被稱為標準常態分佈（Standard Normal Distribution）。
在機器學習中，特徵縮放的重要性源於不同特徵往往具有截然不同的量綱與數值範圍。例如，房價預測模型中，「房屋面積」的數值可能在 20 至 500 平方公尺之間，而「距離捷運站的步行時間」可能在 1 至 60 分鐘之間，「屋齡」則可能在 0 至 80 年之間。若直接使用原始數值訓練模型，梯度下降（Gradient Descent）優化過程中，數值範圍較大的特徵會主導梯度的更新方向，導致模型難以收斂，甚至偏向忽視數值範圍小但重要性高的特徵。
Z 分數標準化能夠有效解決這個問題。轉換後，所有特徵都被映射到以 0 為中心的相近數值範圍，梯度下降可以更均衡地在各個特徵維度上進行搜索，加速收斂並提升模型的訓練穩定性。
特別適合使用 Z 分數標準化的演算法包括：線性回歸（Linear Regression）、邏輯回歸（Logistic Regression）、支援向量機（SVM）、主成分分析（PCA）、以及使用梯度下降優化的神經網路。這些方法的共同特點是對特徵的尺度敏感，標準化後通常能獲得更好的訓練效果。
相對地，決策樹（Decision Tree）、隨機森林（Random Forest）與梯度提升樹（Gradient Boosting Trees）等基於樹的演算法，由於其分裂邏輯基於排名或閾值，對特徵的絕對數值不敏感，因此不需要進行 Z 分數標準化。
值得注意的是，Z 分數標準化在實務中必須嚴格遵守「先分割後計算」的原則：均值和標準差只能從訓練集計算，然後用這兩個值分別對訓練集、驗證集和測試集進行轉換。若在分割前先計算全資料集的統計值，會造成資料洩漏（Data Leakage），導致模型在驗證/測試集上的評估結果過於樂觀，與真實部署效果存在落差。
Z 分數標準化與最小最大標準化（Min-Max Normalization）是最常對比的兩種方法。Min-Max 將數值映射到 [0, 1] 區間，不改變原始分佈形狀，但對異常值（Outlier）非常敏感，一旦存在極端值，大多數資料點會被壓縮在很小的範圍內。Z 分數標準化對異常值的抗性相對較強，且在特徵符合常態分佈假設時效果更好。在實際應用中，選擇哪種方法需要根據資料的分佈特性與後續使用的演算法類型來決定。 Z 分數正規化（Z-score Normalization），又稱標準化（Standardization），是機器學習中最常用的特徵縮放方法之一，通過將每個特徵轉換為均值為 0、標準差為 1 的標準正態分布，使不同特徵具有可比的尺度。
Z 分數正規化的公式為：z = (x - μ) / σ，其中 x 是原始值，μ 是該特徵的均值，σ 是標準差。轉換後的 z 值代表原始值距離均值多少個標準差，正值表示高於均值，負值表示低於均值，絕對值代表偏離的相對程度。
Z 分數正規化對許多機器學習算法至關重要。基於距離的算法（如 KNN、K-means）在計算歐氏距離時，量綱不同的特徵（例如年齡 20-80 歲 vs 收入 20,000-2,000,000 元）未經縮放會使距離計算被大數值特徵主導，忽略小數值特徵的差異。Z 分數正規化後，各特徵對距離的貢獻變得均等。
主成分分析（PCA）在進行 Z 分數正規化後效果更穩定，因為 PCA 尋找方差最大的方向，若某特徵方差本身就很大（如未縮放的收入），PCA 會過分關注它，而非真正找到資料的最重要變異方向。
在深度神經網路的訓練中，Z 分數正規化輸入有助於梯度流動穩定性：當各層輸入的尺度相近時，梯度爆炸和梯度消失的問題較不嚴重。批次正規化（Batch Normalization）本質上是在神經網路各層中間進行的 Z 分數正規化，已成為深度學習的標準組件。
實際應用中，正規化參數（均值和標準差）必須只從訓練集計算，再應用於測試集，以避免測試集資訊洩露影響評估結果。scikit-learn 的 StandardScaler 提供了正確的 fit/transform 分離接口。