在機器學習中，不同的特徵常具有不同的範圍，例如身高和體重就是如此。而對於某些分類器來說，是否將不同特徵的範圍調整至相近，可能會對辨識效果有明顯的影響。下列是使用 scikit-learn 的 preprocessing.StandardScaler，將每一維的特徵正規化至平均為 0 且標準差為 1 的範例：

import numpy as np
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler

dataset = load_wine()
total_data_num = dataset.data.shape[0]
print('Data shapes:', dataset.data.shape, dataset.target.shape)

X_train, X_test, y_train, y_test = train_test_split(dataset.data, dataset.target)
print('Training data shapes:', X_train.shape, y_train.shape)
print('Test data shapes:', X_test.shape, y_test.shape)

model = KNeighborsClassifier(n_neighbors=1)
model.fit(X_train, y_train)
pred = model.predict(X_test)
print('Acc using raw feature:', np.mean(100 * np.mean(pred == y_test)))

ss = StandardScaler()
X_train_norm = ss.fit_transform(X_train)
X_test_norm = ss.transform(X_test)
model = KNeighborsClassifier(n_neighbors=1)
model.fit(X_train_norm, y_train)
pred = model.predict(X_test_norm)
print('Acc using normalised feature:', np.mean(100 * np.mean(pred == y_test)))
print('Training data mean (by sklearn):', ss.mean_)
print('Training data mean (by numpy):', np.mean(X_train, axis=0))
print('Training data var (by sklearn):', ss.var_)
print('Training data var (by numpy):', np.std(X_train, axis=0) ** 2)

在上述範例中：

• 將正規化的目標設定為平均為 0 且標準差為 1 只是其中一種方式，你也可以嘗試其他的目標，例如將特徵線性平移至 0 到 1 之間。
• 正規化的計算，要先用訓練資料算出相關參數（此範例中為原始的平均和變異數），再來分別對訓練資料及測試資料做轉換。如果計算相關參數時加入了測試資料，可能會在模型評估上變得過於樂觀。
• 雖然範例中的準確度在特徵正規化後剛好有進步，但面對其他問題或使用其他分類（或回歸，下同）器時，做了正規化不一定會有進步，甚至有可能是沒有變化或者退步。一般來說，像是最近鄰居分類這種數值的實際值很重要的分類器，是否對輸入做正規化會有所差別；而一些看重數值相對關係的分類器，則是否做正規化就不一定有差別。