在处理连续数值数据时，StandardScaler 和 MinMaxScaler 更为常见。

OneHotEncoding 缩放的一种可能的预处理方法是通过将softb(0) = 0.1, softb(1) = 0.9. 根据我在前馈神经网络方面的经验，这被发现非常有用，因此我希望它对您的 MLPClassifier 也有帮助。

StandardScaler对于遵循正态分布的特征很有用。下图（来源）清楚地说明了这一点。

当上边界和下边界从领域知识中众所周知（例如，在 RGB 颜色范围内从 0 到 255 的像素强度）时，可以使用MinMaxScaler 。

在Raschka的“Python 机器学习”中，作者在第 111 页提供了一些指导，何时规范化（最小-最大尺度）以及何时规范化数据：

尽管通过最小-最大缩放进行标准化是一种常用技术，当我们需要有界区间内的值时很有用，但标准化对于许多机器学习算法来说更实用。原因是许多线性模型，例如逻辑回归和 SVM，[...] 将权重初始化为 0 或接近 0 的小随机值。使用标准化，我们将特征列的中心设置为均值 0，标准差为 1，因此特征列采用正态分布的形式，这使得学习权重更容易。此外，标准化保留了关于异常值的有用信息，并使算法对它们不那么敏感，这与最小-最大缩放相比，后者将数据缩放到有限的值范围。