AutoEncoder 是否推荐使用特征缩放？
Is Feature Scaling recommended for AutoEncoder?
问题：
Staked Auto Encoder 正在应用于具有 25K 行和 18 列且所有浮点值的数据集。
SAE 用于通过编码和解码进行特征提取。
当我在没有特征缩放的情况下训练模型时，损失约为 50K，即使在 200 个 epoch 之后。但是，当应用缩放时，第一个时期的损失约为 3。
我的问题：
是否推荐使用SAE进行特征提取时应用特征缩放
解码时会影响精度吗？
- 除了少数例外，您应该始终在机器学习中应用特征缩放，尤其是在 SAE 中使用梯度下降时。缩放您的功能将确保更平滑的成本函数，从而更快地收敛到全局（希望）最小值。
还值得注意的是，在 1 个 epoch 之后，你的损失小得多，这应该是用于计算损失的值小得多的结果。
- 没有
问题：
Staked Auto Encoder 正在应用于具有 25K 行和 18 列且所有浮点值的数据集。 SAE 用于通过编码和解码进行特征提取。
当我在没有特征缩放的情况下训练模型时，损失约为 50K，即使在 200 个 epoch 之后。但是，当应用缩放时，第一个时期的损失约为 3。
我的问题：
是否推荐使用SAE进行特征提取时应用特征缩放
解码时会影响精度吗？
- 除了少数例外，您应该始终在机器学习中应用特征缩放，尤其是在 SAE 中使用梯度下降时。缩放您的功能将确保更平滑的成本函数，从而更快地收敛到全局（希望）最小值。
还值得注意的是，在 1 个 epoch 之后，你的损失小得多，这应该是用于计算损失的值小得多的结果。
- 没有