我正在尝试做一个简单的 softmax 回归，其中我有特征（2 列）和一个热编码的标签向量（两个类别：left = 1 和 Right = 0）。我需要标准化特征向量还是标签向量？当我这样做时，我所有的零和一都以不同的数字转换，而且我不知道如何识别谁是左或右类别。我正在使用 mxnet 和胶子。这是我标准化的方法：labels = (labels - labels.mean()) / (labels.max() - labels.min())
标准化前的标签：[0. 1. 1. 1. 1. 1.
标准化后的标签：[-0.5633803 0.43661973 0.43661973 0.43661973 0.43661973 0.43661973 ...
如果我的预测实际上是给我左或右，我如何识别（用字符串）？
不，你没有标准化标签
标准化的目的是将具有不同范围的特征带入标准范围。当数据未标准化时，数值较大的特征往往会比数值较小的特征具有更大的影响（权重）。
考虑来自 UC Irvine的汽车数据集 ( https://archive.ics.uci.edu/ml/datasets/automobile )。在这些特征中，它具有高度、长度、宽度、重量、#圆柱体以及许多其他标签和数字特征。高度范围从 47.8 到 59.8，重量范围从 1488 到 4066。您需要将它们标准化，而不是标注特征，例如车身样式或发动机类型。
据我所知，标题问题没有“正确”的答案。我认识的大多数人都不会打扰。（事实上，一种常用的缩放器将数据放入范围无论如何。）
https://stats.stackexchange.com/questions/290929/standardizing-dummy-variables-for-variable-importance-in-glmnet
https://stats.stackexchange.com/questions/359015/ridge-lasso-虚拟指标标准化
对于第二个问题，标准化/标准化总是（呃，总是我见过，当然对于你的例子）应用递增函数，以便保留顺序。然后，对于二进制变量的规范化，始终将 0 映射到负值，将 1 映射到正值。
虽然可能没有任何附加价值，但将标准化应用于已经过一次热编码的功能有什么害处吗？