对于极值正规化 (Min-Max Normalization)及 Z-分数正规化 (Z-Score Normalization)的结果，以下判断正确的是 ()A. 经过Z-Score Normalization处理后的数据，不可能再有小于0的值B. 经过Z-Score Normalization处理后的数据，不可能再有大于1的值C. 经过Min-Max Normalization处理后的数据，不可能再有小于0的值D. 经过Min-Max Normalization处理后的数据，可能还有大于1的值

极值正规化（Min-Max Normalization）和Z-分数正规化（Z-Score Normalization）是两种常用的数据预处理方法，其核心区别在于数据分布的调整方式：

• Min-Max Normalization将数据线性映射到[0,1]区间，公式为：
  $x' = \frac{x - \min}{\max - \min}$
  默认情况下，处理后的数据范围严格在0到1之间。但若新数据超出原始最大值（如测试集数据超出训练集范围），则可能产生大于1的值。

• Z-Score Normalization将数据转化为均值为0、标准差为1的分布，公式为：
  $x' = \frac{x - \mu}{\sigma}$
  处理后的数据可能取任意实数值，包括负值或绝对值大于1的值。

关键点：

• Min-Max结果是否超出范围取决于是否假设数据范围固定。
• Z-Score结果可能包含负值或绝对值大于1的值。

选项分析

选项A

错误。Z-Score Normalization可能产生负值。例如，若数据点小于均值，则标准化后结果为负。

选项B

错误。Z-Score结果无上限，若数据点远大于均值，标准化结果可能远大于1。

选项C

错误。Min-Max默认将数据压缩到[0,1]，但若新数据超出原始最大值（如测试集数据超出训练集范围），则可能产生大于1的值。

选项D

正确。若数据中存在超出原始最大值的值（如测试集数据超出训练集范围），使用原max计算时，结果可能超过1。