我假设您的意思是不在特征语义域中的负值，因此表示实际上并不表示负值的特殊情况。如果该假设是正确的，我建议您将该功能一分为二：

1. 代表实际值的列 - 对于负值，这将是空白/空；和
2. 对附加（可能是分类）信息进行编码的列，以更好的方式由负数表示。对于那些具有实际值的数据点，这可能是空白的。

这将迫使您面对第二个问题：如何处理丢失的数据。

负输入值没有问题，只要它是有意义的。正如 Ankit Saith 在评论中所说，温度可能是负数，金钱也是（正数是我赚的钱，负数是我失去的钱）等等。当然，像距离这样的输入不应该是负数！

此外，通常在深度学习中，您将数据集归一化为具有 0 均值和 1 标准的输入。然后您会在 0 附近获得“小”值，可以是正值或负值！