在进行特征选择后，我具有18个维度的特征，将用于训练分类器，RNN，HMM等。
功能包括stddev，加速度计和陀螺仪的均值和导数。
这些功能具有不同的单位，标准化/标准化将失去功能的真实含义。
例如，一个特征向量的单位是旋转速度（度/秒），该特征中的值在-120到120之间。
另一个是x轴加速度的stddev，该值主要在0到2之间。
如果要进行标准化，则所有特征向量都将居于0附近，负/正值分布在零附近。 ->即使stddev也会有负值！它完全失去了实际意义吗？
我走错了路吗？任何信息表示赞赏！谢谢！
最佳答案
强烈建议将特征缩放和归一化作为预处理步骤，甚至可以受益于梯度下降（最常见的学习算法），即使在您的情况下它也很有用，但是如果您有疑问，可以执行交叉验证。例如，当使用图像和神经网络时，有时将特征（像素）归一化后会得到负值，这不会使训练数据失去意义。
关于machine-learning - 在机器学习中是否有必要对数据进行标准化/标准化？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/40733002/