考察特征变换对数值稳定性的影响及流水线构建最佳实践。 数值爆炸：假设原始特征x∈[0,10]。x^2∈[0,100]，x^3∈[0,1000]。高阶项的数值范围（Scale）和方差会远远大于低阶项。 梯度下降的影响：SGD 对特征的尺度非常敏感。如果特征尺度差异巨大，损失函数的等高线会变成细长的椭圆，导致梯度下降在“峡谷”壁间震荡，收敛极慢或发散。 StandardScaler的位置： 如果在 Poly 之前缩放（A选项）：假设 x 被缩放到 N(0,1) 。那么 x^2 将遵循卡方分布（非零均值，非单位方差）， x^3也会改变分布。Poly 输出的特征依然尺度不一（虽然比原始好一点，但仍不理想）。 如果在 Poly 之后缩放（B选项）：先生成所有高阶项，然后对每一列（包括 x, x^2 x^3 等）独立进行 Z-Score标准化。这确保了输入到 SGD 的每一个特征都拥有 0 均值和 1 方差，这是优化算法最理想的输入状态。 结论：在使用对尺度敏感的模型（如线性回归、SVM、神经网络）配合多项式特征时，务必在 Poly 之后 进行 Scaling。