我对机器学习还很新手，正在尝试将机器学习应用于包含大约50个特征的数据集。有些特征的范围从0到1000000，有些特征的范围从0到100甚至更小。现在，当我使用MinMaxScaler对范围(0,1)进行特征缩放时，我认为范围较大的特征会被缩放到非常小的值，这可能会影响我做出好的预测。
我想知道是否有更有效的方法来进行缩放，以便所有特征都能被适当缩放。
我还尝试了标准化缩放器，但准确性并没有提高。另外，我是否可以对某些特征使用一种缩放函数，而对其余特征使用另一种缩放函数呢？
提前感谢！
回答：
特征缩放或数据归一化是训练机器学习模型的重要部分。通常建议对所有特征使用相同的缩放方法。如果不同特征的尺度差异很大，这可能会对你的学习能力产生连锁反应（取决于你使用的方法）。通过确保标准化的特征值，所有特征在其表示中隐式地被赋予相同的权重。
两种常见的归一化方法是：
-
重新缩放（也称为最小-最大归一化）：
其中x是原始值，x’是归一化后的值。例如，假设我们有学生的体重数据，学生的体重范围在[160磅，200磅]之间。为了重新缩放这些数据，我们首先从每个学生的体重中减去160，然后将结果除以40（最大和最小体重之间的差异）。
-
均值归一化
其中x是原始值，x’是归一化后的值。
