在我们开始之前请记住，在大多数情况下，您选择两者中的哪一个并没有太大的区别。

现在回答您的问题，一般而言，应根据您要采用的模型进行选择：

• 如果您使用基于距离的估计器（例如 k-NN、k-means），最好对您的特征进行归一化，以便它们占据相同的精确值范围（即$[0,1]$）。这迫使您的估算器以同等重要性对待每个特征。

• 如果您使用的是神经网络，最好将您的特征标准化，因为当您的数据集中时，梯度下降具有一些有用的属性$0$ 有单位方差。

• 基于树的算法不需要任何形式的缩放，因此如果您缩放或规范化您的特征，它是无关紧要的。

根据经验，我通常会标准化数据（除非我要严格使用基于距离的算法）。

我认为这完全取决于模型。例如，如果它是朴素贝叶斯，因为它只处理概率，你不能使用负值。在这种情况下，标准化有效！

当您处理基于几何的算法（例如 SVM 或 Logistic 回归）时，最好对数据进行标准化，因为数据中存在 (-1,1) 对称性。与归一化相比，训练过程的学习发生得非常快（由于对称点）。

我相信标准化主要适用于许多算法。但是，我建议您检查算法和损失函数度量的上下文。