在将特征输入模型之前，需要先做（）对其进行预处理A. 归一化处理B. 连续化处理C. 离散化处理D. 跳跃式处理

考查要点：本题主要考查机器学习中数据预处理的基本概念，特别是特征工程中的归一化处理作用。

解题核心思路：
在机器学习模型训练前，归一化处理是常用且关键的预处理步骤。其核心目的是消除不同特征之间量纲差异的影响，使模型训练更高效、结果更稳定。例如，若特征范围差异大（如年龄0-100与收入0-1,000,000），模型可能过度关注范围大的特征，导致性能下降。

破题关键点：

• 归一化处理将特征值压缩到固定范围（如0-1），确保特征可比性。
• 其他选项（如离散化、连续化）属于特定场景下的处理方式，非通用预处理步骤。

归一化处理的作用：

1. 消除量纲差异：统一特征尺度，避免范围大的特征主导模型。
2. 加速收敛：梯度下降等优化算法在特征标准化后更快收敛。
3. 提升模型性能：某些模型（如支持向量机、KNN）对特征尺度敏感，归一化后效果更佳。

选项辨析：

• B. 连续化处理：将离散特征转为连续，但并非所有模型都需要。
• C. 离散化处理：将连续特征分段，可能损失信息，适用于特定模型（如决策树）。
• D. 跳跃式处理：非标准术语，干扰项。