男性/女性的 0/1 编码本身并不比男性更重视女性；它与连续预测变量中的值为 0 对 1（或 1 对 2）并没有真正的不同。这只是预测变量值的 1 个单位的差异。正如@Tim 正确指出的那样，对于许多机器学习方法来说，标准化不是必需的，并且没有关于权重的问题。

但是，当您的建模方法要求所有预测变量处于同一尺度时，就会出现潜在问题。示例是主成分分析 (PCA) 和惩罚线性方法，如 LASSO、岭或它们的混合弹性网。至少在某些实现中，默认值是标准化所有预测变量，包括分类预测变量。那就是你可能遇到困难的地方。

如果您不对分类预测变量进行归一化，它们是否与连续预测变量在同一尺度上，正如您的惩罚方法隐含假设的那样？如果您确实对男性/女性等 2 级预测变量进行标准化，则标准化值可能在很大程度上取决于样本中的类频率。因此，对具有类别不平衡的预测变量进行归一化可以改变权重。对于多级分类预测器，这个问题更加令人烦恼，因为参考水平的选择会影响归一化值。

此页面更详细。在 PCA 和惩罚回归中，这个问题没有万能的解决方案；智能应用您的主题知识可能是最好的。

机器学习算法是输入的函数，可以预测输出。有许多不同的算法。您似乎假设线性模型，其中，因此的结果将线性取决于。但是请注意，即使使用这样的模型，如果为负，那么减小会导致增大。$y = X\beta + \varepsilon$$y$$X$$\beta$ $X$ $y$

而且，大部分机器学习模型学习的是非线性函数，所以不存在这种线性依赖。例如，决策树是一系列if ... else ...基于学习阈值的语句if X > c then ... else ...，因此对于模型而言，实际值是什么并不重要，只要它可以将它们打包成有意义的相似值“桶”即可。神经网络通过使用冗余权重和堆叠多个层来实现非线性。如果您使用最近邻，它只会查看样本之间的相似性，因此在这种情况下，更大/更小的关系不会影响它。$k$

最后，标准化/标准化不会影响值的排序。因此，如果大于，则在归一化或标准化之后，它们都可能具有不同的值，但它们之间的关系不会改变。$x_1$$x_2$

对特征进行规范化/标准化以使所有特征达到相似的规模。当您对分类变量进行热编码时，它们要么是 0/1，因此没有像 10~1000 这样的尺度差异，因此无需应用标准化/标准化技术。