機器學習模型的擴展

Question

我對機器學習模型中的縮放概念有些困惑。

在分類中，如果變量具有不同的尺度，我通常對自變量進行縮放並對目標變量進行標簽編碼，並對預測結果進行逆變換以獲得實際標簽

在回歸中，如果我的變量不同，我知道我們必須縮放自變量，我還應該縮放我的目標變量嗎？

如果我的理解在上述情況下是正確的，並且我應該在回歸模型中縮放我的目標變量，有人可以幫助我嗎？

提前致謝。

Answer 1

縮放應該只應用於特征，因為它對訓練過程有影響，所以當所有特征（自變量）都在相同（或相似）的尺度上時，通常訓練會更快並且收斂到一個好的解決方案，尤其是如果你'正在使用基於梯度的訓練算法，如 SGD 或 Adam，但對於目標（依賴）變量，您不需要縮放，因為您只需添加不會影響分類器（回歸量）質量的額外計算您'會得到。