我使用逻辑回归。我们知道它是一种监督方法，需要在训练和测试数据中计算出特征值。有六个功能。尽管功能产生这些特征的值是不同的，并且它们的最大值可以是1，但是有四个特征（在训练和测试数据中）具有非常低的值。例如它们的范围在0到0.1之间，从不为1，甚至超过0.1 !!!因此，这些特征的价值彼此非常接近。其他功能正常分布（范围在0到0.9之间）。所以这两种特征之间的差异很大，我认为这会给逻辑回归的学习过程带来麻烦。我对吗？！是否需要对这些功能进行任何转换/规范化？任何帮助将受到高度赞赏。
答案 0 :(得分：1)
简而言之：您应该在训练前将功能标准化。通常 - 因此每个都在某个范围内（如[0,1]）或白化（平均0和标准1）。
为什么重要？为了使小＆＃34;特征重要LR在这个维度上需要非常高的权重。但是，您可能会使用正则化LR （通常是L2正则化） - 在这种情况下，很难为这些向量分配高值，因为正则化惩罚会迫使模型选择相等分布的权重而不是 - 因此使用规范化。 然而 - 如果您在没有任何正则化的情况下使LR 适合，那么缩放（直到数值错误）是没有意义的，因为LR不依赖于缩放的选择（解决方案）应该完全一样）