如果特征已经缩放，则 Lasso 和 Ridge 回归中需要“normalize=True”参数？ [关闭]答案

【问题标题】：'normalize=True' parameter needed in Lasso and Ridge Regressions, if features already scaled? [closed]如果特征已经缩放，则 Lasso 和 Ridge 回归中需要“normalize=True”参数？ [关闭]
【发布时间】：2019-01-25 02:41:25
【问题描述】：

借助 Python 中的 StandardScaler()，我的数据已经标准化。在应用 Lasso Regression 时，我是否需要设置 normalize 参数 True，为什么？

from sklearn import StandardScaler()
scaler=StandardScaler()
x_new=scaler.fit_transform(x)

现在，我想使用 Lasso 回归。

from sklearn.linear_model import Lasso
lreg=Lasso(alpha=0.1,max_iter=100,normalize=True)

我想知道是否仍需要“normalize=True”？

【问题讨论】：

请分享您的代码。所以我们可以帮助你。

标签： python-3.x machine-learning scikit-learn data-science lasso-regression

【解决方案1】：

Standarize 和 Normalize 是两个不同的操作。如果你在不知道他们做什么以及为什么这样做的情况下同时做这两个，你最终会失去准确性。

标准化是去除均值并除以偏差。规范化是将所有内容都放在 0 和 1 之间。

根据惩罚（套索、山脊、弹性网），您会更喜欢其中一个，但不建议同时做这两个。

所以不，不需要。

【讨论】：