为什么我们不需要在多元线性回归中进行特征缩放[关闭]答案

【问题标题】：why dont we need feature scaling in multiple linear regression [closed]为什么我们不需要在多元线性回归中进行特征缩放[关闭]
【发布时间】：2021-01-21 17:33:18
【问题描述】：

我目前正在学习机器学习我注意到在多元线性回归中，我们不需要对自变量进行缩放我不知道为什么？

【问题讨论】：

本网站不适合处理此类问题。你能把你的问题重新定义为一个编码问题吗？
虽然我回答了，但我可以看到@Display name 的意思。也许我们应该把它移到stats.stackexchange.com ？
欢迎来到SO，这是关于具体编码的问题；关于机器学习理论和方法的非编码问题在这里是题外话，应该发布在Cross Validated。请注意machine-learningtag info中的注意。
我投票结束这个问题，因为它不是关于 help center 中定义的编程，而是关于 ML/stats 理论和方法。

标签： machine-learning regression linear-regression

【解决方案1】：

特征缩放是否有用取决于您使用的训练算法。

例如，要找到线性回归模型的最佳参数值，有一个封闭形式的解，称为正态方程。如果您的实现使用该等式，则没有逐步优化过程，因此不需要进行特征缩放。

但是，您也可以使用梯度下降算法找到最佳参数值。如果您有很多训练实例，这在速度方面可能是一个更好的选择。如果使用梯度下降，建议使用特征缩放，否则算法可能需要更长的时间才能收敛。

【讨论】：