当然，经典的技术，例如 min-max scaler 和 z-score normalization，只是改变了值的范围，因此容易出现异常值，并不能解决问题。

但是，只要满足一些条件，这些论文可能提出的建议是有道理的。在这种情况下，我将尝试总结我能想到的关于规范化和标准化的所有内容。

• 虽然不完全准确，但如果您的数据遵循幂律分布，您可以使用对数函数（对数缩放）缩放数据。这会将您的数据分布更改为“更窄”的规模，最终减少异常值的潜在影响。

• 特征裁剪：如果您的数据集具有极端异常值，您始终可以将特征裁剪为固定数值（或固定值 +- 3 std（标准偏差））。这会导致信息丢失，但会有效地对抗异常值在您的分析中的影响。

• 强大的定标器：当您的数据集中有许多异常值实例时，您可以用中位数除以 IQR = 数据的第 75 个百分位数和第 25 个百分位数之间的差值对数据进行归一化。尽管存在这些极端点，但这不会否定异常值在您的机器学习模型中的影响，而是会正确地规范您的数据。

您始终可以使用基于树的算法或神经网络进行分析，这些算法对异常值具有鲁棒性。