是否有必要在机器学习中规范化/标准化数据？

Question

我做了特征选择后，具有18个维度的特征，并将用于训练分类器，RNN，HMM等。

特征包含stddev，加速度计和陀螺仪的平均值和派生值。 这些功能有不同的单位，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），该特征的值在-120和120之间。 另一个是x轴加速度的stddev，该值主要介于0和2. 如果我想做标准化，所有的特征向量都将在0附近居中，负/正值分布在零附近。 - >即使是stddev也会有负值！它完全失去了实际意义？

我在错误的轨道上吗？任何信息表示赞赏！谢谢！

Answer 1

对于执行特征缩放和规范化作为预处理步骤，它甚至会受益于梯度下降（最常见的学习算法），即使在您的情况下它会很有用，但如果您有疑问，您可以执行交叉验证。例如，当使用图像和神经网络时，有时在归一化后特征（像素）变为负值，这不会使训练数据失去意义。