MinMax 缩放目标答案

【问题标题】：MinMax scaling the targetMinMax 缩放目标
【发布时间】：2020-05-23 12:05:06
【问题描述】：

我对某些特征应用了线性回归，通过 10 倍交叉验证来预测目标。
MinMax 尺度应用于特征和目标。
然后将功能标准化。
当我运行模型时，r2 等于 0.65，MSE 为 0.02。
但是当我使用没有 MinMax 缩放的目标时，我得到了相同的 r2，但 MSE 增加到 18。
我的问题是，在数据预处理方面，我们是否必须像处理特征一样处理目标？以上哪个值是正确的？因为在没有缩放目标的情况下，mse 变得更大了。
有人说我们也必须扩大目标，而另一些人则说不。

提前致谢。

【问题讨论】：

不，您不需要对目标变量应用任何转换，而是选择适当的评估方法来检查模型性能。
非常感谢。但是你的意思是其他矩阵吗？这样的MAE，？

标签： python machine-learning scikit-learn linear-regression

【解决方案1】：

无论你是否扩展你的目标都会改变你的错误的“意义”。例如，考虑 2 个不同的目标，一个是 [0, 100]，另一个是 [0, 10000]。如果您针对它们运行模型（没有缩放），则 20 的 MSE 对这两个模型意味着不同的事情。前一种情况是灾难性的，而后一种情况是相当不错的。

因此，目标范围 [0, 1] 的 MSE 低于原始值这一事实并不令人惊讶。

同时，r2 值与范围无关，因为它是使用方差计算的。

缩放允许您比较不同目标的模型性能等。

此外，对于某些模型类型（如 NN），缩放会更重要。

希望对你有帮助！

【讨论】：

是的，它有帮助。谢谢。那么我应该按原样使用它们吗？
那么正确的答案应该是视情况而定，但是你可以按原样使用它们，只要注意含义，例如如果你使用SGD 时的学习率.如果你的特征被缩放，但目标不是，你的系数必须更大等等。