参考文章：
不同情况处理办法都不一样
第一，分布差距大是重要特征数值差距大，比如一个是 0-1，另外一个 0.5-2，如果是这种情况无解，你能做的只能扩大训练集合，因为重要特征一旦偏离，哪怕数学上都是有交集，现实上下文都是差距极大的，这和数据采集流程和规范等非技术问题有关。
第二，重要特征数据差距不大，不太重要的差距较大，这种情况可以屏蔽这些特征，或者利用类似迁移学习 prototype 那种思路约束特征输入不过于偏离训练集。
第三，所有特征数值差距都不大，但是特征之间相关性统计差距大，比如训练集当中 A 和 B 相关性更加强，但是测试集合 A 和 C 的相关性更加强，这对你模型本身高阶组合就要约束，比如上DNN 的话，前期就不是明智的选择。
第四，特征数值差距不大，特征相关性差距也不大，但是目标数值差距过大，这个好办，改变任务设置共同的中间目标，比如你说的目标值是否可以采取相对值，增长率，夏普等，而非绝对值