Tiêu chuẩn hóa so với chuẩn hóa cho Lasso / Ridge Regression

Tôi biết rằng thông thường là tiêu chuẩn hóa các tính năng cho hồi quy sườn và lasso, tuy nhiên, liệu có thực tế hơn khi bình thường hóa các tính năng trên thang đo (0,1) thay thế cho tiêu chuẩn hóa điểm z cho các phương pháp hồi quy này không?

Nếu bạn áp dụng chuẩn hóa (nén trong [0,1]), bạn sẽ có một thước đo về tầm quan trọng của biến tương đối nhưng nó sẽ thay đổi quy mô của các biến của bạn và bạn sẽ mất tất cả tính dễ hiểu của mô hình. Ưu điểm của tiêu chuẩn hóa là bạn vẫn có thể diễn giải mô hình như bạn làm với hồi quy OLS không thường xuyên (điều này đã được trả lời ở đây ).

Chuẩn hóa là rất quan trọng đối với các phương pháp với chính quy. Điều này là do quy mô của các biến ảnh hưởng đến mức độ chính quy sẽ được áp dụng cho biến cụ thể.

Ví dụ: giả sử một biến có quy mô rất lớn, giả sử thứ tự hàng triệu và biến khác là từ 0 đến 1. Sau đó, chúng ta có thể nghĩ rằng việc chính quy hóa sẽ ít ảnh hưởng đến biến đầu tiên.

Cũng như chúng ta thực hiện chuẩn hóa, bình thường hóa thành 0 thành 1 hoặc chuẩn hóa các tính năng không quá quan trọng.