Robust Scaling 与异常值处理

均值和标准差对极端值敏感，有时会让大量普通样本的差异被压得很小。RobustScaler 使用中位数与分位区间建立另一把尺子，适合检查含长尾或异常值的数据。

“稳健缩放”并不等于自动发现、删除或修正异常点。异常值的合法性仍需要根据采集、单位与任务语义判断。

常见稳健缩放先减去训练中位数，再除以训练四分位距 IQR=Q3−Q1。它用中间分布范围描述典型波动，和按均值、标准差缩放的含义不同。

缩放参数必须在训练范围估计；分位数算法、分位区间和零 IQR 处理都应明确。数值个数很少时，不同分位约定也可能影响结果。

不让最远的一个点决定整把尺子的长度，可以更好保留普通样本之间的差异。但远点除以这把较短的尺子后，仍可能成为一个非常大的数，甚至比标准化结果更大。

先审查极端记录的来源。传感器单位混用、录入错误与真实高价值客户，需要不同处理，不能只按统计距离统一删除。

稳健缩放改变尺度，不会使长尾自动变成正态，也不会把输出限制在固定区间。对非负长尾特征，合理的对数变换可能是另一项需要独立验证的选择。

IQR 很小或为零时，自定义实现需要边界处理。高比例同值、缺失和训练/未来分布变化，也会影响这把尺子的适用性。