machine-learning - 对不同的特征使用不同的特征缩放技术是否正确？

Question

我读了这篇关于特征缩放的文章： all-about-feature-scaling

两种主要的特征缩放技术是：

1. min-max scaler- 它对具有非高斯分布的特征响应良好。

2. Standard scaler- 对具有高斯分布的特征反应良好。

我阅读了其他帖子和示例，似乎我们总是对所有功能使用一种缩放方法（min-max或standard）。

我还没有看到建议的示例或论文：

1. go over all the features, and for each feature:
1.1 check feature distribution
1.2 if the feature distribution is Gaussian:
1.2.1 use Standard scaler for this feature
1.3 otherwise:
1.3.1 use min-max scaler for this feature

1. 为什么我们不混合缩放方法？

2. 我的建议有什么问题或缺点？

标签： machine-learningdata-sciencefeature-scaling

Answer 1

然后，您的特征将具有不同的比例，这是一个问题，因为具有较大比例的特征将主导其余特征（例如，在KNN中）。具有最小-最大归一化的特征将被重新缩放到 [0,1] 范围，而具有标准化的特征将被转换为负到正的范围（例如，[-2,+2] 甚至更宽小标准偏差）。

import pandas as pd
from sklearn.preprocessing import MinMaxScaler, StandardScaler

dfTest = pd.DataFrame({'A':[14,90,80,90,70],
                       'B':[10,107,110,114,113]})

scaler = MinMaxScaler()
dfTest['A'] = scaler.fit_transform(dfTest[['A']])

scaler = StandardScaler()
dfTest['B'] = scaler.fit_transform(dfTest[['B']])

ax = dfTest.plot.scatter('A', 'B')
ax.set_aspect('equal')