Flink ML MinMaxScaler 把特征缩放到统一区间 [min, max]

1. MinMaxScaler 做什么？

对每个特征维度 (x) 做缩放：

[x′=x−xminxmax−xmin⋅(max−min)+min][ x' = \frac{x - x_{min}}{x_{max} - x_{min}} \cdot (max - min) + min ][x′=xmax​−xmin​x−xmin​​⋅(max−min)+min]

其中(xmin,xmax)(x_{min}, x_{max})(xmin​,xmax​)是从训练数据中统计得到的“该维度的最小值/最大值”。

2. 输入列与输出列

输入列（Input Columns）

参数名	类型	默认值	说明
inputCol	Vector	"input"	待缩放的特征向量

输出列（Output Columns）

参数名	类型	默认值	说明
outputCol	Vector	"output"	缩放后的特征向量

---

3. 参数（Parameters）

Key	默认值	类型	说明
inputCol	"input"	String	输入列名
outputCol	"output"	String	输出列名
min	0.0	Double	输出区间下界
max	1.0	Double	输出区间上界

你可以把特征缩放到：

• [0, 1]（默认）
• [-1, 1]（有时更适合某些模型）
• 任意你需要的区间

4. Java 示例代码解读（训练 + 预测）

你贴的例子非常典型：先用训练集 fit 出缩放参数（每个维度的 min/max），再对预测集 transform。

4.1 训练数据（用于统计每一维的 min/max）

DataStream<Row>trainStream=env.fromElements(Row.of(Vectors.dense(0.0,3.0)),Row.of(Vectors.dense(2.1,0.0)),Row.of(Vectors.dense(4.1,5.1)),Row.of(Vectors.dense(6.1,8.1)),Row.of(Vectors.dense(200,400)));TabletrainTable=tEnv.fromDataStream(trainStream).as("input");

这组训练数据明显包含极端值(200, 400)，它会把两维的 max 拉得很大（这点在实战里要特别注意，后面会讲）。

4.2 预测数据（要做缩放）

DataStream<Row>predictStream=env.fromElements(Row.of(Vectors.dense(150.0,90.0)),Row.of(Vectors.dense(50.0,40.0)),Row.of(Vectors.dense(100.0,50.0)));TablepredictTable=tEnv.fromDataStream(predictStream).as("input");

4.3 训练 MinMaxScaler 并 transform

MinMaxScalerminMaxScaler=newMinMaxScaler();MinMaxScalerModelminMaxScalerModel=minMaxScaler.fit(trainTable);TableoutputTable=minMaxScalerModel.transform(predictTable)[0];

4.4 打印输入与输出

DenseVectorinputValue=(DenseVector)row.getField(minMaxScaler.getInputCol());DenseVectoroutputValue=(DenseVector)row.getField(minMaxScaler.getOutputCol());System.out.printf("Input Value: %-15s\tOutput Value: %s\n",inputValue,outputValue);

输出表会包含：

• 原始列：input
• 新增列：output（缩放后的向量）

5. 实战建议（很关键）

1）MinMaxScaler 对异常值非常敏感

因为它直接用训练集的 min/max，当训练集中出现极端值时：

• 大部分正常样本会被压缩到非常接近 0 的小范围
• 模型对细微差异不敏感（尤其对距离类算法影响明显）

常见解决方案：

• 先做异常值处理（winsorize/clip）
• 使用分位数范围做近似 min/max（工程上常见）
• 或改用 StandardScaler（标准化）更稳

2）训练/预测必须用同一套 scaler 参数

正确姿势永远是：

• fit(train)只在训练集上统计 min/max
• transform(train/predict)都用同一个 model

不要在预测数据上重新 fit，否则线上会出现“同一个样本在不同批次缩放结果不同”的问题。

3）缩放区间如何选？

• 默认[0, 1]：通用且好理解
• [-1, 1]：如果后续模型/特征更希望以 0 为中心，可能更合适

例如：

MinMaxScalerscaler=newMinMaxScaler().setMin(-1.0).setMax(1.0);

4）通常会放进 Pipeline

MinMaxScaler 常见组合：

• VectorAssembler → MinMaxScaler → KMeans/KNN/SVM/LR
• Bucketizer → OneHot → LR（这里 MinMaxScaler 不一定必需）

6. 小结

MinMaxScaler 是 Flink ML 特征工程中最常用的“缩放器”之一：

• 输入：inputCol(Vector)
• 输出：outputCol(Vector)
• fit()在训练集上学习每一维的 min/max
• transform()把新数据线性映射到[min, max]（默认[0,1]）

它简单高效，但要特别注意异常值带来的“压缩效应”。