选择应用逻辑回归时要归一化哪些变量

假设数据集包含连续变量和二元变量的独立变量。通常，标签/结果列被转换为一个热矢量，而连续变量可以被标准化。但是什么需要应用于二元变量。选择应用逻辑回归时要归一化哪些变量

 
AGE  RACE GENDER NEURO EMOT 
15.95346 0 0  3  1 
14.57084 1 1  0  0 
15.8193  1 0  0  0 
15.59754 0 1  0  0

这如何申请回归和神经网络？

来源

2017-01-10 Ashwin V

如果连续值的范围很小，则将其编码为二进制形式，并将该二进制形式的每一位用作预测变量。例如，二进制数2 = 10。因此

predictor_bit_0 = 0

predictor_bit_1 = 1

尝试，看看它是否工作。只是为了提醒你，这种方法非常主观，可能会或可能不会为你的数据产生好的结果。如果我找到更好的解决方案，我会告诉你

来源

2017-01-10 05:15:59 Arjun

我不认为这回答了我的问题，因为连续变量在最大值和最小值之间差异很大，需要标准化。我已经清楚地提到了二元变量需要做些什么（变量只有2个结果，比如0或1），我只是消耗它们还是需要执行类似于标准化的操作？ –

好的，那么您可能需要对我发布的解决方案进行逆向工程。只需将二元预测变量组合成连续的预测变量。例如，对于race = 1，gender = 0和emot = 1，x = 1：组合形成一个二进制数，其中每个位代表一个预测变量。上例的组合预测值应该是1011（二进制）=十进制的11。您可以按原样使用此预测变量，也可以对其进行标准化。 – Arjun

选择应用逻辑回归时要归一化哪些变量

回答

相关问题