在进行特征选择之前，一般会先进行数据无量纲化处理，这样，表征不同属性（单位不同）的各特征之间才有可比性。例如，2cm和0.2kg如何直接比较？无量纲化处理的方法很多，选择不同方法会对机器学习模型产生不同的影响。常用方法包括归一化（Normalization）等。
示例代码：
from sklearn.datasets import load_iris
# 导入IRIS数据集
iris = load_iris()
from sklearn.preprocessing import StandardScaler
# 标准化，返回值为标准化后的数据
scaled_data = StandardScaler().fit_transform(iris.data)
常用的无量纲化方法
- 归一化（Normalization）：将特征值缩放到指定范围（如0到1），适用于特征分布差异较大的情况。
- 标准化（Standardization）：基于均值和标准差对数据进行缩放，使数据满足标准正态分布，适用于有异常值的场景。
- MinMax Scaling：将数据缩放到指定区间（如0到1），对数据分布要求较少。
不同的无量纲化方法适用于不同的场景，合理选择可以提升模型表现。