我有一些成千上万的功能，我将其扩展到这些功能的最大值。这解决了一般的缩放问题，并保留了这些特征之间的重要绝对值关系，否则这些特征会丢失。
但是，我还有一些其他的特性，它们从一开始就自然存在于 [0,1] 中（因为它们来自比率）。简单地跳过这些缩放是否有意义，因为将它们除以与上面相同的最大值（例如 10,000）会破坏它们？
显然我已经对其进行了测试，并发现它在实践中有效，但是有没有任何合理的数学论据反对这一点？我没有看到或听到任何关于这件事的想法。
单独缩放功能？
数据挖掘
机器学习
预处理
正常化
特征缩放
2022-03-11 17:11:35
1个回答
是的，这些功能不应该一起缩放。通常所有特征都是单独缩放的，所以分组缩放是例外而不是常态。来自关于特征缩放的维基百科：
由于原始数据的取值范围变化很大，在一些机器学习算法中，如果不进行归一化，目标函数将无法正常工作。例如，大多数分类器通过欧几里得距离计算两点之间的距离。如果其中一个要素具有广泛的值范围，则距离将由该特定要素控制。因此，应该对所有特征的范围进行归一化，以便每个特征对最终距离的贡献大致成比例。
如果您知道某些要素以相同的比例存在，则可以将它们一起缩放，即“Sales January”与“Sales February”一起缩放。但是您不应该将存在于不同尺度上的事物缩放在一起，即“Sales January”和“Discount Ratio”应该分开缩放。
其它你可能感兴趣的问题