为何StandardScaler被称为Z-Score Normalization？采用标准化技术却冠归一化称谓

这个问题本质是机器学习领域术语混用导致的混淆，具体可以从这几个角度理解：

• 术语的宽泛性：在早期的统计和机器学习文献里，“Normalization”并没有被严格限定为「把数据缩到[0,1]区间」的操作，而是泛指对数据进行缩放、调整分布的一类预处理动作。Z-Score变换作为经典的特征缩放方式，被纳入了“Normalization”的宽泛定义中，再加上它的核心是计算每个样本的Z值（Z-Score），因此有了Z-Score Normalization这个称呼。

• 术语区分是后规范的结果：现在我们常说的「标准化（Standardization）」特指Z-Score这种让数据均值为0、标准差为1的处理，「归一化（Normalization）」特指Min-Max缩放（将数据映射到[0,1]或[-1,1]区间），但这种明确区分是随着机器学习工具规范化才逐渐形成的。在术语未统一的阶段，Z-Score变换就已经被贴上了Normalization的标签，这个称呼也就沿用至今。

• 工具命名的补正：像Scikit-learn里的StandardScaler，就是用更精准的名称明确它的标准化功能，但行业里已习惯Z-Score Normalization这个俗称，所以两种称呼会同时存在。

简言之，是先有了Z-Score Normalization的俗称，后来才形成标准化和归一化的严格术语区分，导致名称和现在的严格定义看似不匹配，本质是术语演化的问题。

内容的提问来源于stack exchange，提问作者user21150913