是否有必要在機器學習中規範化/標準化數據？

Question

我做了特徵選擇後，具有18個維度的特徵，並將用於訓練分類器，RNN，HMM等。

特徵包含stddev，加速度計和陀螺儀的平均值和派生值。 這些功能有不同的單位，規範化/標準化將失去功能的真正含義。

例如，一個特徵向量的單位是旋轉速度（度/秒），該特徵的值在-120和120之間。 另一個是x軸加速度的stddev，該值主要介於0和2. 如果我想做標準化，所有的特徵向量都將在0附近居中，負/正值分佈在零附近。 - >即使是stddev也會有負值！它完全失去了實際意義？

我在錯誤的軌道上嗎？任何信息表示讚賞！謝謝！

Answer 1

對於執行特徵縮放和規範化作爲預處理步驟，它甚至會受益於梯度下降（最常見的學習算法），即使在您的情況下它會很有用，但如果您有疑問，您可以執行交叉驗證。例如，當使用圖像和神經網絡時，有時在歸一化後特徵（像素）變爲負值，這不會使訓練數據失去意義。