我应该啥时候在机器学习中进行特征缩放或归一化？

Posted 2023-03-12

【中文标题】我应该啥时候在机器学习中进行特征缩放或归一化？

【英文标题】：When should I do feature scaling or normalisation in machine learning?我应该什么时候在机器学习中进行特征缩放或归一化？

【发布时间】：2019-01-18 23:42:09

【问题描述】：

我有一个包含 92 个特征的训练特征集。其中 91 个特征是 1 或 0 的布尔值。但 1 个特征是数字的，它在 3-2000 之间变化。

如果我对我的第 92 个特征进行特征缩放会更好吗？

如果是，最好的方法是什么？我正在使用 Python。

【问题讨论】：

使用 python ???

如果使用 python 然后使用 sklearn.preprocessing 中的 minmax scaller，您将能够在具有巨大值的特定数组中从 0,1 缩放数据。

scikit-learn.org/stable/modules/generated/…

您打算使用哪种算法？特征 92 也有异常值吗？

【参考方案1】：

有时，这在很大程度上取决于您想使用哪种算法进行预测。假设如果您使用 SVM 并为此使用高斯内核，并且您没有对输入使用特征缩放，那么您最终可能会得到错误的假设，并且您的大特征将支配其他较小的特征。一般来说，特征缩放始终是控制输入变化的最佳方法，它也使算法计算速度更快（或者换句话说，收敛到最优最小值）。