机器学习模型的扩展

Question

我对机器学习模型中的缩放概念有些困惑。

在分类中，如果变量具有不同的尺度，我通常对自变量进行缩放并对目标变量进行标签编码，并对预测结果进行逆变换以获得实际标签

在回归中，如果我的变量不同，我知道我们必须缩放自变量，我还应该缩放我的目标变量吗？

如果我的理解在上述情况下是正确的，并且我应该在回归模型中缩放我的目标变量，有人可以帮助我吗？

提前致谢。

Answer 1

缩放应该只应用于特征，因为它对训练过程有影响，所以当所有特征（自变量）都在相同（或相似）的尺度上时，通常训练会更快并且收敛到一个好的解决方案，尤其是如果你'正在使用基于梯度的训练算法，如 SGD 或 Adam，但对于目标（依赖）变量，您不需要缩放，因为您只需添加不会影响分类器（回归量）质量的额外计算您'会得到。