标准回答
定义区别
归一化（Min-Max）：x' = (x−min)/(max−min)，把数据线性压缩到 [0,1]（或指定区间）。保留原始分布形状，但严重依赖极值，一个异常值就会压缩其余数据。
标准化（Z-score）：x' = (x−μ)/σ，转换为均值 0、方差 1。不限定取值范围，对异常值更稳健，且更贴合许多模型对正态分布的隐含假设。
何时使用
- 需要缩放的模型：依赖距离的 KNN、SVM、K-Means，依赖梯度收敛的逻辑回归/神经网络，以及 PCA（按方差找主成分）。不缩放会让大量纲特征主导。
- 树模型无需缩放：决策树、随机森林、GBDT/XGBoost 按特征阈值分裂，单调变换不改变分裂结果。
选择经验
数据有明显边界或需固定区间（如图像像素、神经网络输入）用归一化；数据近似正态或有异常值用标准化。务必只在训练集上 fit，再 transform 验证/测试集，避免数据泄漏。
常见误区
⚠️ 常见踩坑
别在整个数据集上拟合缩放参数再划分——必须用训练集统计量去变换测试集，否则造成数据泄漏；也别给树模型做无意义的缩放。
追问
追问 1：为什么树模型不需要特征缩放？
决策树及其集成（随机森林、XGBoost）通过寻找单特征的分裂阈值来划分样本，任何单调的缩放变换都不改变特征值的相对顺序，因而分裂点和树结构不变，缩放对结果无影响。
追问 2：遇到长尾或重尾分布怎么处理？
先做对数变换 log(x) 或 Box-Cox/Yeo-Johnson 变换压缩长尾、使分布更对称，再标准化；或使用对分位数鲁棒的 RobustScaler（用中位数和 IQR 而非均值方差），减少异常值影响。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。