Machine learning logistic回归中连续变量的标度

我正在进行逻辑回归，对此有疑问 我的数据集中有分类变量（0,1）和连续变量。。 现在我需要在0和1之间缩放连续变量吗？ 因为我的几个连续变量的值最多为10k

---

在进行逻辑回归时，将这些连续值与分类变量一起保留有意义吗？

理论上，这是不必要的。但是，对于大范围的输入，生成的系统可能具有非常小的系数。如果您想为您的模型使用精度较低的数字（例如16位），这可能是一个问题

---

我不知道你为什么要问是否应该在模型中使用连续值。如果有任何与结果相关的可能性，请保留它们。只有当你确定它们是不相关的，才可以忽略它们。

你可以根据方差和位置进行缩放。有很多选择。我的建议是考虑缩放，如果你的变量在内部和内部变化很大。你可以尝试以下方法

下面所有的东西都代表一个向量，所以X，我的意思是

. 因此，我在下面写的不是向量就是矩阵

按范围缩放

，其中R是变量的范围，基本上是max（X）-min（X）

按位置（居中）和差异（缩放）缩放

，其中xbar和s分别是X的样本均值和样本方差

---

后者也提供了居中，因此请确保为数据选择了正确的公式。这里没有经验法则，但直觉和推理是关键。您还可以尝试不同的比例和位置度量组合。

对于简单线性/逻辑回归（无正则化）：无需缩放变量。 对于具有正则化的线性/逻辑回归：您需要执行缩放

---

对于没有正则化的线性/逻辑回归，仅当您希望在拟合后解释/比较权重时，才需要缩放特征。否则，具有更高值的功能可能比其他功能的权重更小。

您好，我的数据集中的东西是连续变量的混合体，如（年龄、余额、已过天数、余额范围为2k、已过天数约为1k、年龄范围为90）和许多分类变量。。如果我不缩放连续变量。我的模型会不会偏向于更具价值的连续特性？那么我是否需要对0-1范围内的所有连续变量进行缩放（m进行逻辑回归分类）@ChaitanyaPatil:logistic回归可以处理任意输入范围。只有输出限制为0到1之间的数字。缩放仅适用于数值原因，以避免系数变得太小或太大。（我对我的答案的术语做了一些修改，因为我第一次认为你使用的是神经网络。但从本质上讲，逻辑回归和单层backprop网络之间没有太大区别。）谢谢！那有帮助