我正在与sample data set一起学习群集。此数据集包含关键字的出现次数。
由于所有都是不同关键字的出现次数，是否可以不缩放值并按原样使用它们？
我在互联网上阅读了几篇文章，强调缩放很重要，因为它会调整频率的相对性。由于大多数频率为0（95％+），z得分缩放将改变分布的形状，我感觉可能是问题，因为我正在改变数据的性质。
我在考虑不改变价值观来避免这种情况。这会影响我从群集中获得的结果的质量吗？
答案 0 :(得分：4)
正如已经指出的那样，答案在很大程度上取决于所使用的算法。
如果您使用基于距离的算法（通常是默认的）欧几里德距离（例如，k-Means或k-NN），那么它将更多地依赖于具有更大范围的特征，因为&& ＃34;典型差异＆＃34;该特征的值更大。
非基于距离的模型也会受到影响。虽然人们可能认为线性模型没有进入这一类，因为缩放（和翻译，如果需要）是线性变换，所以如果它使结果更好，那么模型应该学习它，对吧？事实证明，答案是否定的。原因是没有人使用香草线性模型，他们总是使用某种正规化来惩罚太大的权重。这可以防止线性模型从数据中学习缩放。
有些模型独立于特征尺度。例如，基于树的算法（决策树和随机森林）不受影响。树的节点通过比较特征（将数据集最佳分割）与阈值进行比较，将数据划分为2组。阈值没有正则化（因为应该保持树的高度很小），所以它不受不同尺度的影响。
话虽如此，通常建议您对数据进行标准化（减去均值并除以标准偏差）。
答案 1 :(得分：0)
可能它取决于分类算法。我只熟悉SVM。请参阅Ch. 2.2 for the explanation of scaling
功能类型（单词数量）并不重要。功能范围应该或多或少相似。如果是例如＆＃34;尊严＆＃34;是10，＆＃34;的数量是＆＃34;在你的文本中是100000000，那么（至少在SVM上）这些特征的结果将不那么准确，就像你将两个计数缩放到相似的范围一样。
不需要缩放的情况是那些隐含地缩放数据的情况，例如：要素是图像中的像素值。数据已经缩放到0-255范围。