在对解释变量进行标准化后，解释变量和目标数据之间的幅度差异约为 3 个数量级。我想知道目标数据的转换是否仍然会给出有效的结果。
非常感谢各位！
我应该标准化/标准化回归模型中的目标数据/因变量吗？
机器算法验证
回归
机器学习
正常化
标准化
2022-03-19 16:48:25
2个回答
缩放或归零不会改变回归或分类结果。唯一的缺点是失去了可解释性。
以下是 R 中的工作示例，显示缩放或归零的任何组合都会产生相同的回归线。
系数可以不同，这没关系。以下是按顺序在以下模型中计算的系数。
(Intercept) disp
1 29.59985 -0.04121512
2 20.09062 -0.04121512
3 26.66946 -16.52314159
4 26.66946 -16.52314159
没有归零或缩放
# orginal data
df <- mtcars
png("mtcars_original.png")
plot(df$disp, df$mpg, main="MPG VS Displacment")
abline(lm(mpg ~ disp, df), col = 2)
dev.off()
归零
# zeroed displacement
df <- mtcars
df$disp <- df$disp - mean(df$disp)
png("mtcars_zeroed.png")
plot(df$disp, df$mpg, main="MPG VS Zeroed Displacement")
abline(lm(mpg ~ disp, df), col = 2)
dev.off()
缩放
# scaled displacment
df <- mtcars
df$disp <- (df$disp - min(df$disp)) / ( max(df$disp) - min(df$disp))
png("mtcars_scaled.png")
plot(df$disp, df$mpg, main="MPG VS Scaled Displacment")
abline(lm(mpg ~ disp, df), col = 2)
dev.off()
归零和缩放
# zeroed & scaled displacment
df <- mtcars
dt$disp <- df$disp - mean(df$disp)
df$disp <- (df$disp - min(df$disp)) / ( max(df$disp) - min(df$disp))
png("mtcars_zeroed_scaled.png")
plot(df$disp, df$mpg, main="MPG VS Scaled & Zeroed Displacment")
abline(lm(mpg ~ disp, df), col = 2)
dev.off()
它会。您的测量值是坐标。对于解释变量上的每个值，您都对目标变量进行了坐标测量。如果您不更改其中任何一个的顺序，则关系保持不变。正确的？