标准化以平均值为中心$0$有标准差$1$. 因此，具有小于$0$或大于$1$是可以预料的。如果您想确保值介于$0$和$1$您需要对数据进行规范化。

这是从 Raschka 的“Python 机器学习”一书中摘录的两个过程的示例：

请注意，使用从训练数据中获得的参数将该过程应用于您的测试数据（在标准化的情况下：训练数据的平均值和标准偏差）。

Sklearn 有标准化和规范化的方法，你可能想看看。

您正在测量与给定值的平均值有多少标准偏差。当然，值可能与平均值有许多标准偏差。即使对于具有正态分布的数据，我们预计$5\%$ 的观察结果超过 $2$ 均值的标准差，我们期望 $32\%$ 的观察结果超过 $1$ 平均值的标准差。

因此，您的价值超过 $1$.

只要值小于 $0$去吧，这意味着你的价值低于平均值。这很常见。（虽然它可能发生，但请考虑如何拥有一个没有值小于平均值的数据集。）

正如 Sammy 在我发布前几秒钟提到的那样，在转换测试和验证数据时，请务必使用训练数据的均值和标准差。