Machine learning 如何为正确的数据集选择正确的规范化方法？

有几种标准化方法可供选择。L1/L2范数、z分数、最小-最大值。有人能就如何为数据集选择适当的标准化方法给出一些见解吗

---

我以前没有太注意规范化，但我只是得到了一个小项目，它的性能受到了严重影响，不是受参数或ML算法选择的影响，而是受我规范化数据的方式的影响。我有点惊讶。但这在实践中可能是一个常见的问题。那么，谁能提供一些好的建议呢？非常感谢

我想在这个问题上很难找到好的答案。规范化可能很棘手。目标通常是平等对待所有特性，避免不公平地偏袒其中一个特性。我认为这是一个非常有趣的问题，思考一下这些规范化方法中的假设，以及它们对哪些方法更具意义是有意义的。然而，这是一个相当广泛的问题，不是关于编程的，而是关于统计的，我想，就像你说的，有几个，但没有几千个。你有什么理由不能全部尝试吗？例如，在scikit learn中进行网格搜索，然后选择最有效的方法？@IVlad，那么，检查最有效的方法可能是机器学习的最终解决方案。最后，您还是会选择最好的工作规范化方法。然而，我认为理解规范化对不同方法的影响是很有意义的。这个问题不应该重新发布，而应该转移到stats.stackexchange.com我知道stats可能是一个更好的提问的地方，但是如何将它迁移到stats？