在进行特征选择后，我有18个维度的特征，将用于训练分类器，RNN，HMM等。
这些功能包含加速度计和陀螺仪的stddev，均值和导数。 这些功能具有不同的单元，规范化/标准化将失去功能的真正含义。
例如，一个特征向量的单位是旋转速度（度/秒），该特征中的值在-120和120之间。 另一个是x轴加速度的stddev，该值主要在0和2之间。 如果我想进行标准化，所有特征向量将以0为中心，负值/正值分布在零附近。 - ＆GT;即使是stddev也会有负值！它完全失去了实际意义吗？
我走错了路吗？任何信息表示赞赏！谢谢！
答案 0 :(得分：-2)
总是强烈建议将特征缩放和规范化作为预处理步骤，它甚至会有利于梯度下降（最常见的学习算法），即使在你的情况下它会有用但如果你有疑问你可以执行交叉验证。例如，当使用图像和神经网络时，有时在归一化后，特征（像素）会得到负值，这不会使训练数据失去意义。