搜尋意圖： 如果你在找「最小最大值縮放 是什麼」或「最小最大值縮放 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 將資料線性轉換到指定區間（通常為 [0, 1]）的特徵縮放方法，透過減去最小值再除以值域來實現。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
將資料線性轉換到指定區間（通常為 [0, 1]）的特徵縮放方法，透過減去最小值再除以值域來實現。
最小最大值縮放（Min-Max Scaling）是機器學習前處理流程中最基礎且廣泛使用的特徵縮放技術之一。其核心操作是線性變換，將原始資料的數值範圍壓縮或拉伸至一個固定的目標區間，通常是 [0, 1]，也可以根據需求調整為 [-1, 1] 或其他區間。
標準的 Min-Max Scaling 公式為：x_scaled = (x - x_min) / (x_max - x_min)。其中 x_min 和 x_max 分別是訓練集中該特徵的最小值與最大值。轉換後，原始最小值映射到 0，原始最大值映射到 1，其他值依比例線性分佈在 [0, 1] 之間。若要映射到 [a, b] 區間，公式調整為：x_scaled = a + (x - x_min) / (x_max - x_min) × (b - a)。
在機器學習中，特徵縮放之所以重要，是因為許多演算法對特徵的數值尺度（scale）敏感。例如，在計算歐式距離的 K 近鄰演算法（KNN）中，若一個特徵的值域是 [0, 10000]（如房價），另一個特徵的值域是 [0, 5]（如房間數），前者因數值較大而在距離計算中佔據支配地位，導致後者幾乎沒有影響力，無論後者在區分相似度上有多大貢獻。Min-Max Scaling 將所有特徵統一到相同的尺度，確保每個特徵在距離計算或梯度更新中有公平的貢獻機會。
對梯度下降法而言，特徵縮放有助於損失函式的等高線從橢圓形（不同特徵尺度導致的不對稱）趨近圓形，使梯度方向更接近最優解的方向，加速收斂並減少震盪。這對於使用梯度下降的神經網路、邏輯回歸、支援向量機（SVM）等模型都有明顯幫助。
相較於另一種常見的縮放方法 Z-score 標準化（Standardization，公式為 (x - μ) / σ，結果均值為 0，標準差為 1），Min-Max Scaling 的主要特點是：結果的範圍明確且有界（[0, 1]），適合需要明確輸入範圍的場景，例如神經網路中 Sigmoid 激活函式的輸入，或需要像素值歸一化到 [0, 1] 的影像資料。然而，Min-Max Scaling 對異常值（Outlier）極為敏感：若資料中存在一個極端大值，x_max 會被拉高，導致大部分正常資料被壓縮到 [0, 1] 區間的極小範圍內，嚴重影響模型效果。
為了應對異常值的問題，實務上有幾種改良策略。第一種是在套用 Min-Max Scaling 之前先做異常值處理（截斷、剔除或蓋帽法 Winsorization）。第二種是使用 Robust Scaler，以四分位距（IQR）代替值域進行縮放，對異常值更不敏感。第三種是對資料先取對數變換（Log Transform）拉縮長尾分佈，再做 Min-Max Scaling。
實作上有一個重要的細節需要注意：Min-Max Scaling 的 x_min 與 x_max 必須從訓練資料中計算，並固定儲存起來，在對驗證集、測試集或線上資料做預測時，必須使用同一組 x_min 與 x_max 進行轉換，而不是重新計算。若對測試集重新計算縮放參數，會導致資料洩漏（Data Leakage），使模型評估結果虛高，且線上推論時無法提前知道測試資料的範圍。在 scikit-learn 中，MinMaxScaler 物件的 fit() 方法記錄訓練集的 min/max，transform() 方法則使用記錄的值進行轉換，正確的做法是只對訓練集呼叫 fit_transform()，對其他資料集只呼叫 transform()。
IPAS 中級考試中，Min-Max Scaling 的考點通常包括：與 Z-score 標準化的比較（各自的適用情境與異常值敏感性差異）、縮放公式的計算、在 Pipeline 中正確放置縮放器（避免資料洩漏）、以及哪些演算法需要特徵縮放（距離型與梯度下降型需要；樹狀模型通常不需要）。
常見問題
Min-Max Scaling 和 Z-score 標準化（Standardization）應該怎麼選擇？
兩者的選擇取決於資料的分佈特性與下游演算法的需求。Min-Max Scaling 適合以下情境：資料範圍已知且有上下界、需要明確輸出範圍（如神經網路的 Sigmoid 輸入、影像像素歸一化）、資料分佈較均勻且無嚴重異常值。Z-score 標準化則適合：資料近似常態分佈、資料中含有異常值（標準差會被拉大但不像 Min-Max 那樣嚴重失真）、演算法假設輸入特徵均值為 0（如 PCA、線性 SVM）。總體原則：有異常值用 Z-score 或 Robust Scaler；資料需要落在 [0, 1] 用 Min-Max；不確定時可兩者都試並用交叉驗證評估效果。
決策樹（Decision Tree）和隨機森林（Random Forest）需要做 Min-Max Scaling 嗎？
不需要。決策樹及基於決策樹的集成方法（隨機森林、Gradient Boosting、XGBoost 等）在每個節點做分裂決策時，只比較特徵值與閾值的大小關係（例如「體重 > 70 kg 就往右走」），並不涉及特徵之間的距離計算或梯度更新，因此特徵的絕對數值尺度不影響模型結果。不論特徵值域是 [0, 1] 還是 [0, 100000]，決策樹找到的最佳分裂點都會自動調整，不會偏好某個特徵。相比之下，KNN、SVM（RBF 核）、邏輯回歸、神經網路、PCA 等方法則對特徵尺度敏感，需要做縮放。記住這個區別有助於在實務中避免不必要的前處理步驟。
為什麼對測試集做 Min-Max Scaling 時不能重新計算 min 和 max？
這涉及到避免資料洩漏（Data Leakage）的原則。在真實的生產環境中，模型做預測時是逐筆處理新資料的，無法預先知道所有未來資料的最小值與最大值。若在訓練時對訓練集計算了 min=100、max=500，但評估時對測試集重新算得 min=80、max=600，使用不同的縮放基準，評估的分數就無法代表線上的真實表現。更嚴重的是，若測試集的某個值超出訓練集的 [x_min, x_max] 範圍，重新縮放後的值仍在 [0,1] 內，但若用訓練集的縮放基準，該值會超出 [0,1]，這正是模型需要知道如何處理的分佈外情形。scikit-learn 的 Pipeline 機制設計就是為了強制只對訓練集 fit，再對所有資料 transform，正確使用可完全避免此類問題。