简短的回答：如果您应用与算法相同的缩放方法，它不会改变任何东西。如果您选择不同的缩放方法，那么您最终将对原始数据执行两次转换，这可能不是一件坏事，具体取决于上下文。

这意味着您必须知道算法执行什么样的缩放。

作为外卖，最好自己预先缩放数据，以便确定输入算法的内容。缩放很少会武装您的模型结果。

作为说明（我知道这不是您的问题，但它可能会有所帮助），您必须了解为什么要扩展数据。以线性回归的简单案例为例，如果您的输入特征是房屋大小和房间数量，并说您想根据这些特征构建房价模型，则房间数量和大小的范围将非常不同。缩放将有助于：

• 使算法收敛更快
• 允许您通过比较系数来回答诸如“价格的主要贡献者是什么”之类的问题（如果事先没有缩放，这将是不正确的）

我会说特征缩放不会显着影响模型的性能。我将关注的是您使用的缩放方法。标准缩放受异常值影响较小，但范围不同，归一化将数据范围压缩到 0-1，但受异常值影响更大，等等。某些算法取决于您使用的缩放方法，例如，神经网络通常期望输入在 0 之间-1。

再说一次，像 Scikit-Learn 这样的库是由了解模型内部工作原理的专家构建的，所以如果模型具有内部缩放，那么我就让它保持不变。