一位机器学习工程师在为分类模型准备数据时，注意到一些连续数值特征的值远大于其他特征。领域专家确认这些特征信息丰富，并且数据集具有代表性。然而，训练模型的准确性低于预期。哪个预处理步骤能最大程度地提高推理准确性？

当连续数值特征的取值范围差异很大时，模型（特别是基于距离的模型，如支持向量机、K近邻或神经网络）可能会过度关注取值较大的特征，从而导致模型性能不佳。归一化（Normalization）通过将所有特征缩放到相似的范围（例如0到1之间或均值为0、方差为1），确保每个特征对模型训练的贡献更加均衡，从而提高模型的推理准确性。 自举采样（bootstrap）主要用于评估模型的不确定性或构建集成模型，不能直接解决特征尺度不一致的问题。移除特征会丢失有价值的信息，因为领域专家已确认这些特征信息丰富。创建外推的合成特征可能会引入噪声或不准确性，尤其是在原始特征已经足够有信息量的情况下。