问特征缩放是线性模型

EN

假设我们有重量和价格两个特征，如下表所示。“权重”不能与“价格”进行有意义的比较。因此假设算法使得由于“权重”>“价格”，因此“权重”比“价格”更重要。link

当数据列的范围变化较大时，需要进行特征缩放。获取每列中数据的min、max和mean是一种很好的方法

下一步是绘制数据。这很容易识别数据的不同维度的范围。

这两种说法都是正确的，但都不完整。

如果您使用简单的线性模型，如y = w1 * x1 + w2 * x2，则不需要特征缩放。由于系数w1和w2将相应地学习或调整。

但如果你用正则化项或定义变量约束来修改上面的表达式，那么系数将偏向于具有更大幅度的特征，而不是特征缩放。

结论：Feature scaling is important when we modify the expression for simple linear model。此外，在应用任何算法之前对特征进行归一化也是一个很好的实践。