z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。 标准化的公式很简单，步骤如下

原始分值经过转变后的 z-score，是去除了之前数据所带有的观察信息的。 对于拿 z-score 去做一些观察结果的判断，我们需要格外谨慎的。 比如我们应该用 BMI 来衡量肥胖，而非某个阈值的 z-score，尤其在我们的抽样空间不够大、无法代表总体的情况下。

通过计算某企业连续若干年的Z值可以发现企业是否存在财务危机的征兆，根据Wind数据库分类标准，当Z-Score值大于2.675时，则表明企业的财务状况良好，发生破产的可能性就小；当Z值小于1.81时，则表明企业潜伏着破产危机；当Z值介于1.81和2.675之间时被称之为 ...

经过Z-score标准化后，数据将符合标准正态分布，即将有约一半观察值的数值小于0，另一半观察值的数值大于0，变量的均值为0，标准差为1，变化范围为-1≤X’≤1。

很多模型的适用范围是把原始数据（规范化，归一化，正则化）到一个【0,1】的空间里。 其规则就是通过不同的缩放模式。 scaling 所带来的影响是可以忽略的。 不过z-score standardization后，数值是存在负数的，导致一些跟熵有关的方法是无法计算下去。

图1：实施四种离群值检测技术的工作流程：数字异常值、Z-score、DBSCAN以及孤立森林 检测到的异常值 在图2-5中，可以看到通过不同技术检测到的异常值机场。 其中。 蓝色圆圈表示没有异常行为的机场，而红色方块表示具有异常行为的机场。

Z-Score (标准化)： 也称为标准化分数，这种方法根据原始数据的均值和标准差进行标准化，即均值为0，标准差为1,它表示的是原始值与均值之间差多少个标准差，是一个相对值，有去除量纲的作用。

z分数（z-score）,也叫标准分数（standard score）是一个数与平均数的差再除以标准差的过程 假设那个数为xi，那些数 (x1,x2,x3...xn)的均值为xbar，那些数的标准差为σ，根据定义，zi_score= (xi-xbar)/σ.

缩放过程可以分为以下几种： 缩放到均值为0，方差为1（Standardization—— StandardScaler ()） 缩放到0和1之间（Standardization—— MinMaxScaler ()） 缩放到-1和1之间（Standardization—— MaxAbsScaler ()） 缩放到0和1之间，保留原始数据的分布（Normalization—— Normalizer ()） 1就是常说的z-score归一化，2是min-max归一化 ...

Nov 15, 2021 · Z-score 超过 3 的公司被认为具有较低的破产风险，而低于 1.81 的公司则具有较高的风险。 对于在科威特股票市场上市的公司（不包括银行和保险公司），将 m 分数与 z 分数相结合可以提高金融欺诈分类的准确性（Akra 和 Chaya，2020）。