找到答案，看到讲解发生的那一刻，再顺着概念继续探索。
正在理解你的问题，下面的搜索结果可先查看。
在依赖距离度量的算法中，具有较大数值范围的特征会不成比例地影响总距离。具有较大尺度的特征将主导距离度量，无论其实际预测重要性如何，因为其坐标差异在数值上大得多。
适用条件：适用于 KNN 或 K-means 等基于距离的机器学习算法。；特征未缩放或未归一化。；使用标准度量（如欧氏距离）计算距离。
在依赖距离度量的算法中，具有较大数值范围的特征会不成比例地影响总距离。具有较大尺度的特征将主导距离度量，无论其实际预测重要性如何，因为其坐标差异在数值上大得多。
适用条件：适用于 KNN 或 K-means 等基于距离的机器学习算法。；特征未缩放或未归一化。；使用标准度量（如欧氏距离）计算距离。
当特征未缩放时，梯度下降会振荡，因为具有巨大不同范围的特征导致对其相应参数的梯度差异很大。这导致小尺度特征的参数步长很小，而大尺度特征的参数步长很大，从而导致向最小值的路径低效且呈锯齿状。
适用条件：用于带有梯度下降的线性回归优化。；特征具有显著不同的尺度（例如，一个范围从 0 到 1，另一个从 100 到 1000）。
当特征未缩放时，梯度下降会振荡，因为具有巨大不同范围的特征导致对其相应参数的梯度差异很大。这导致小尺度特征的参数步长很小，而大尺度特征的参数步长很大，从而导致向最小值的路径低效且呈锯齿状。
适用条件：用于带有梯度下降的线性回归优化。；特征具有显著不同的尺度（例如，一个范围从 0 到 1，另一个从 100 到 1000）。
特征缩放很重要，主要是为了在梯度下降等优化算法中实现更快的收敛，并确保基于距离的算法适当地计算距离，而不会让较大尺度的特征占主导地位。
适用条件：适用于梯度下降等迭代优化算法。；适用于 KNN 或 K-means 等基于距离的机器学习算法。
特征缩放很重要，主要是为了在梯度下降等优化算法中实现更快的收敛，并确保基于距离的算法适当地计算距离，而不会让较大尺度的特征占主导地位。
适用条件：适用于梯度下降等迭代优化算法。；适用于 KNN 或 K-means 等基于距离的机器学习算法。