默认情况下始终标准化所有功能是不是一个坏主意？
Is it a bad idea to always standardize all features by default?
是否有理由不在默认情况下标准化所有功能？我意识到它可能不是必需的，例如决策树，但对于某些算法，如 KNN、SVM 和 K-Means。经常对我的所有功能执行此操作会有任何危害吗？
另外，似乎标准化比规范化更可取？这在什么时候不是一个好主意？
根据我的经验，当您的数据集包含具有非常不同范围的特征（例如年龄与每所房子的美元数）时，标准化和规范化会产生最大（积极）的影响
根据我的专业经验，在使用汽车传感器（时间序列）进行项目时，我注意到归一化（最小-最大缩放比例），即使在神经网络的情况下应用时，也有对培训过程和最终结果产生负面影响。不可否认，传感器特征（值）是否非常接近彼此的值。考虑到我正在使用时间序列，这是一个非常有趣的结果，其中大多数数据科学家默认使用缩放（它们最终是神经网络，符合理论）。
原则上，当数据集中有特定异常值时，最好应用标准化，因为标准化会产生较小的标准偏差值。据我所知，这是标准化比规范化更受青睐的主要原因，它的鲁棒性优于异常值。
三年前，如果有人问我这个问题，我会说“标准化”是必经之路。现在我说，遵循原则，但在得出某个结论之前先检验每个假设。
是否有理由不在默认情况下标准化所有功能？我意识到它可能不是必需的，例如决策树，但对于某些算法，如 KNN、SVM 和 K-Means。经常对我的所有功能执行此操作会有任何危害吗？
另外，似乎标准化比规范化更可取？这在什么时候不是一个好主意？
根据我的经验，当您的数据集包含具有非常不同范围的特征（例如年龄与每所房子的美元数）时，标准化和规范化会产生最大（积极）的影响
根据我的专业经验，在使用汽车传感器（时间序列）进行项目时，我注意到归一化（最小-最大缩放比例），即使在神经网络的情况下应用时，也有对培训过程和最终结果产生负面影响。不可否认，传感器特征（值）是否非常接近彼此的值。考虑到我正在使用时间序列，这是一个非常有趣的结果，其中大多数数据科学家默认使用缩放（它们最终是神经网络，符合理论）。
原则上，当数据集中有特定异常值时，最好应用标准化，因为标准化会产生较小的标准偏差值。据我所知，这是标准化比规范化更受青睐的主要原因，它的鲁棒性优于异常值。
三年前，如果有人问我这个问题，我会说“标准化”是必经之路。现在我说，遵循原则，但在得出某个结论之前先检验每个假设。