我有一个数据集，所有特征都是从 0 到 1（实数），输出是 0 或 1（整数）。例子：
var1 var2 var3 output
0.01 0.1 0.7 1
0.01 0.1 0.7 1
0.1 0.2 0.3 0
0.2 0.4 0.4 0
0.4 0.1 0.9 1
当变量从 0“标准化”到 1 时，推荐使用哪种分类算法？SVM 或逻辑回归在这些类型的数据中是否“反应”良好？
我注意到，大多数在进行特征缩放时使用 SVM、NN 或逻辑回归的人都使用 stardadization( (value-mean)/std) )。是否有理由不将值从 0 重新调整到 1？
在处理使用梯度下降训练的模型时，重新缩放或任何其他形式的标准化/归一化非常有用：（SVM，NN，LogReg）。
这个问题很好地解释了标准化对梯度的影响：https ://stats.stackexchange.com/questions/111467/is-it-necessary-to-scale-the-target-value-in-addition-to-scaling -re功能
例如，决策树对线性变换是不变的，因此理论上，特征缩放不会以任何方式影响模型。
对于您的设置，您有一个二元分类问题。
我建议首先尝试对您的数据使用线性分类器。逻辑回归是一个不错的首选。如果您认为 LogReg 没有像您希望的那样工作，那么您可以继续使用更复杂的模型。我建议使用与梯度提升模型相结合的决策树。
在与您描述的问题类似的问题中，特别是当数据中没有固有结构时（如图像分类、语音识别等），梯度提升模型往往优于神经网络。
希望这可以帮助。