我的问题是，在拟合逻辑回归之前，我们是否需要标准化数据集以确保所有变量在 [0,1] 之间具有相同的尺度。公式为：
我的数据集有 2 个变量，它们对两个通道描述相同的事物，但音量不同。假设是两个商店的客户访问次数，这里是客户是否购买。因为客户在购买之前可以访问这两家商店，或者两次第一家商店，一次第二家商店。但是第一家商店的顾客总访问量是第二家商店的 10 倍。当我拟合这个逻辑回归时，没有标准化， coef(store1)=37, coef(store2)=13; 如果我标准化数据，那么coef(store1)=133, coef(store2)=11. 像这样的东西。哪种方法更有意义？
如果我正在拟合决策树模型怎么办？我知道树结构模型不需要标准化，因为模型本身会以某种方式对其进行调整。但是请与大家一起检查。
逻辑回归不需要标准化。标准化特征的主要目标是帮助用于优化的技术的收敛。例如，如果您使用 Newton-Raphson 来最大化似然性，则对特征进行标准化会使收敛更快。否则，您可以在不对特征进行任何标准化处理的情况下运行逻辑回归。
如果您将逻辑回归与 LASSO 或岭回归（如 Weka Logistic类）一起使用，您应该这样做。正如Hastie、Tibshirani 和 Friedman指出的那样（pdf 第 82 页或本书第 63 页）：
岭解在输入缩放下不是等变的，因此通常在求解之前对输入进行标准化。
这个线程也可以。
@Aymen 是对的，您不需要为逻辑回归标准化您的数据。（有关更一般的信息，阅读此 CV 线程可能会有所帮助：何时应该将数据居中以及何时应该标准化？；您可能还注意到，您的转换通常被称为“标准化”，请参阅：如何验证分布是否标准化？）让我谈谈问题中的其他一些问题。
值得注意的是，在逻辑回归中，您的系数表示预测变量中一个单位的变化对“成功”的对数几率的影响。转换变量（例如通过标准化或规范化）的效果是改变我们在模型上下文中所谓的“单位”。您的原始数据在原始指标中的一些单位中有所不同。标准化后，您的数据范围为到。也就是说，一个单位的变化现在意味着从最低值的观察值变为最高值的观察值。对数成功几率的增加量没有改变。根据这些事实，我怀疑您的第一个变量 ( ) 跨越store1原始单位，而您的第二个变量 ( store2) 仅跨越个原始单位。