这可能是一个初学者的问题，但我不确定如何标准化我的数据。

假设我有一个 NxM 矩阵，每个矩阵有 N 个 M 维样本。如果我想标准化我的数据，我可以通过两种方式做到这一点：

Samplewise：我获取每个样本并对其特征进行归一化，例如最终成为单位向量 (L2) 或者它们只是求和 1 (L1)

Featurewise：我采用每个特征并在所有样本中标准化它的值。

我看到的问题是，在这两种情况下，我最终都会丢失一些关系信息。

让我们看一个例子：

              Height    Arm_length
Subject_1       180      20
Subject_2       190      40

如果我按行标准化：

                 Height          Arm_length
Subject_1       180/200 = 0.9   20/200 = 0.1
Subject_2       190/250 = 0.76  40/250 = 0.16

在这里您可以看到，即使 Subject_1 比 subject_2 短，当归一化 subject_2 时最终会更高（因为我的归一化在样本之间是独立的）

如果我按列标准化：

                 Height          Age
Subject_1       180/370 = 0.49   20/60 = 0.33
Subject_2       190/370 = 0.51   40/60 = 0.67

在这里我可以看到，即使 subject_2 的 arm_length 值比 height 低，它最终的 arm_length 值也比 height 高（0.67 对 0.51）

同样规范化我失去了绝对值，最终只得到关系。

想象一个系统，它不仅取决于绝对高度和 arm_length，还取决于它们之间的关系。

所以基本上我的问题是：我应该标准化吗？如果是，按列还是按行？

此外，将两种方式都归一化并将两者附加到新的 2*M 维特征向量中是否是一个好主意？

编辑：

特征之间的关系非常重要。想象一个系统，其中不同的体型表现不同，在这种情况下，胸部特征和腰部特征之间的关系将非常重要。

通过规范化特征，我将失去这种关系。

谢谢