所以我有一个数据集，其中包含使用不同给定求解器策略执行问题实例的结果。简化示例：

| Problem_instance | Problem_Size | Used_Solver | Cost |
| P1               |           50 | A           |   75 |
| P1               |           50 | B           |  125 |
| P1               |           50 | C           |  225 |
| P1               |           50 | D           |  100 |
| P2               |          150 | A           |  165 |
| P2               |          150 | B           |  360 |
| P2               |          150 | C           |  275 |
| P2               |          150 | D           |   45 |
| P3               |           25 | A           |   35 |
| P3               |           25 | B           |   65 |
| ...              |          ... | ...         |  ... |

我正在尝试使用机器学习来预测给定问题实例的最佳性能求解器。在数据处理阶段，我需要标准化或缩放我的数据，但我不确定如何做到最好。

首先，我不确定要使用哪个 sklearn 的 Scaler ( StandardScalar/ MinMaxScaler/..)。

其次，我很困惑如何处理每个实例的不同记录。当我首先基于problem_instance然后使用 a对数据进行分组时MinMaxScaler，带有的记录Cost = 0将是这个问题的最佳解决方案，Cost=1也是最坏的解决方案。但是，如果我使用相同的策略来缩放，Problem_Size这将在任何地方都等于 0。另一方面，如果我使用全局缩放，则有关哪个 Solver 对每个实例最好的信息都会丢失。

有人可以帮我处理这个问题的数据预处理吗？