问题描述
默认情况下是否有理由不对所有功能进行标准化？我意识到它可能不是必要的，例如决策树，而是某些算法，如 KNN、SVM 和 K-Means。对我的所有功能进行常规操作会有什么危害吗？
此外，似乎一致认为标准化优于规范化？什么时候这不是一个好主意？
解决方法
根据我的经验，当您的数据集由具有非常不同范围的特征（例如年龄与每所房子的美元数）组成时，标准化和标准化具有最大的（积极）影响
根据我的专业经验，在使用汽车传感器进行项目时，我注意到归一化（最小-最大缩放），即使应用于神经网络，也会对训练过程产生负面影响，并且当然是最后的结果。诚然，传感器特征（值）彼此之间的值是否非常接近。考虑到我正在研究时间序列，这是一个非常有趣的结果，其中大多数数据科学家默认采用缩放（他们最终是神经网络，遵循理论）。
原则上，当涉及到数据集中的特定异常值时，最好应用标准化，因为标准化会产生较小的标准偏差值。以我的拙见，这就是标准化往往比标准化更受青睐的主要原因，它的稳健性优于异常值。
三年前，如果有人问我这个问题，我会说“标准化”是必经之路。现在我要说，遵循原则，但在得出某个结论之前先检验每个假设。