当使用基于距离、方差或梯度的方法（KNN、PCA、神经网络......）时，特征缩放可能是至关重要的，因为根据具体情况，它可以提高结果的质量或计算工作量。
在某些情况下（尤其是基于树的模型），缩放对性能没有影响。
关于什么时候应该扩展他们的功能，以及为什么他们应该这样做，有很多讨论。除了可解释性（只要可以恢复缩放就不是问题），我想知道相反的情况：是否存在缩放是一个坏主意的情况，即会对模型质量产生负面影响？或者不太重要的是，计算时间？
我什么时候不应该缩放特征
数据挖掘
特征缩放
2021-10-02 05:25:35
4个回答
缩放通常假设您知道最小/最大值或平均值/标准偏差，因此直接缩放这些信息并不知道的特征可能不是一个好主意。
例如，削波信号可能会隐藏此信息，因此缩放它们可能会产生负面结果，因为您可能会扭曲其真实值。
下面是 1) 可以缩放的信号和 2)不应进行缩放的削波信号的图像。
想到的例子是图像；在使用 CNN 处理之前，我从未听说过缩放像素强度。据推测，保持特征之间的平均差异是有用的——例如，它可能表明右上角通常不太红，等等。
如果特征是相关的，不要缩放它们。单独对每个要素应用缩放可能会损坏数据。这取决于您将应用的数据、问题和运营商。
其它你可能感兴趣的问题