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:

min-max scaler - 对于分布为 的特征 react 良好不是高斯 .

Standard scaler - 对 的功能响应良好高斯分布。

看了其他的帖子和例子，好像我们总是用 一 缩放方法( min-max 或 standard ) 所有功能 .

我还没有看到示例或论文表明:

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

为什么我们不混合缩放方法？

我的建议有什么问题或缺点？

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)。使用 min-max 归一化的特征将被重新缩放到 [0,1] 范围内，而标准化的特征将被转换为负到正的范围(例如，[-2,+2] 甚至更宽的范围)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')