在机器学习中,特征缩放通常用于: A. 增加模型的解释性B. 减少模型的训练时间C. 提高模型的性能D. 以上所有

特征缩放是机器学习中数据预处理的重要步骤，其核心目的是消除特征之间量纲或取值范围的差异，从而优化模型性能。本题考查对特征缩放作用的理解，需明确其对模型训练效率、性能、解释性的综合影响。

特征缩放的主要作用包括：

1. 加快模型训练速度：许多算法（如梯度下降）在特征取值范围相近时收敛更快。若特征范围差异大，优化过程可能因步长不协调而变慢。
2. 提高模型性能：防止特征值大小主导模型权重更新，避免某些特征对预测结果的不合理主导，从而提升模型准确率。
3. 增强模型的解释性：标准化后的特征系数可直接比较，帮助理解各特征对输出的贡献。

选项D正确，因为特征缩放同时实现以上所有目标。