我使用两个特征来训练分类模型，即特征 A 和 B。特征 A 比特征 B 更重要。特征 A 具有序数数据，因此我对其进行了标签编码，其值范围从 1 到 5。特征 B也是一种分类特征，并且在标签编码后对其进行热编码
由于上述编码，特征 A 的值范围为 1 到 5，而特征 B 具有多列，每列值为 0 或 1。
现在，在我的模型训练之后，我的模型过于偏向特征 A，因为它的值范围从 1 到 5，而对特征 B 的关注却很少。
现在，如果我使用标准标量进行特征缩放，特征 A 的值将在 -1 到 1 之间，因此在模型训练之后，特征 B 比特征 A 更能做出决定。
是否有更好的方法来对两个特征进行特征缩放，以便特征 A 具有更多边缘，但又不会导致特征 B 被完全忽略
最佳答案
一旦进行热编码，您将仅拥有一组功能。模型不知道这些特征属于 A 还是 B。然后您可以计算特征重要性或者运行 Feature Selection Algorithms以便提高效率。
但是，如果您认为功能 A 更重要，请尝试缩放到除 -1 到 1 之外的其他限制，以便为功能 A 保留比功能 B 更多的列。或者相应地缩放两者。但同样，模型仅将其视为一组特征，因此请尝试更改模型/参数，而不是专注于此以提高性能。
关于machine-learning - 属性的特征缩放，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/59573060/