请解释数据标准化的定义，并说明它在数据挖掘流程中承担哪些功能？

回答思路

1. 【回答框架 1】数据标准化是将数据按比例缩放，使其落入特定区间（如0到1或均值为0、标准差为1），常用方法包括最小-最大标准化和Z-score标准化，前者对原始数据进行线性变换，后者利用均值和标准差使数据符合标准正态分布。
2. 【回答框架 2】在数据挖掘中，标准化能消除不同特征量纲和数量级差异，避免数值范围大的特征主导距离计算（如KNN、K-means）或梯度下降的收敛速度，提升模型稳定性和算法效率。
3. 【回答框架 3】标准化还有助于提高数值稳定性，减少异常值影响（如使用鲁棒标准化），并使得正则化项对特征公平作用，便于解释特征重要性。
4. 【回答框架 4】不同算法对标准化敏感度不同，基于距离和梯度的方法通常需要标准化，而树模型（如决策树、随机森林）对单调变换不敏感，但标准化仍可加速某些实现。
5. 【回答框架 5】实际应用中需先划分训练集和测试集，用训练集参数标准化测试集，避免数据泄露，并考虑业务场景选择合适方法。
6. 【关键点 1】标准化消除量纲影响，常用最小-最大和Z-score方法。
7. 【关键点 2】基于距离和梯度的算法对标准化敏感，树模型不敏感。
8. 【关键点 3】标准化需在训练集上拟合参数，再应用于测试集。
9. 【关键点 4】标准化可提升收敛速度和模型稳定性，但非所有场景必需。
10. 【易错点 1】最小-最大标准化对异常值敏感，可能压缩正常数据分布。
11. 【易错点 2】Z-score假设数据近似正态分布，否则效果有限。
12. 【易错点 3】在测试集上重新计算标准化参数会导致数据泄露。