扩展机器学习模型

Question

我对机器学习模型中的缩放概念有些困惑。

在分类中，如果变量的比例不同，我通常对自变量执行缩放，并对目标变量执行标签编码，然后对预测结果进行逆变换以获取实际标签

在回归中，如果我的变量不同，我知道我们必须缩放自变量，是否还应该缩放目标变量？

如果在上述情况下我的理解正确，是否有人可以帮助我，我应该在回归模型中缩放我的Target变量吗？

谢谢。

Answer 1

缩放仅应应用于特征，因为它会影响训练过程，因此，当所有特征（独立变量）都在相同（或相似）的尺度上时，通常训练会更快，并且收敛为一个好的解决方案特别是如果您使用的是基于梯度的训练算法（例如SGD或Adam），但对于目标（因变量）则不需要缩放，因为您只需添加不会影响分类器质量的额外计算即可），您会得到的。