提前感谢
缩放很好！究其原因，本质上是计算机存储数字的方式-实际上是浮点数或两倍数，即有理数。这些位的特定部分为基数保留，其余代表指数（称为
尾数）。就像某些软件包提供的“科学”表示形式：1234,5变为1,2345 * 10 ^ 3。您不必阅读wikipedia-article就可以理解，如果您乘以/加法/等，它会变得非常困难（或者更好的是“不准确”）。在这个表示中有大量和非常少的数字。这就是原因之一。因此，如果您从模型的随机初始化开始（例如，在NN中），则权重通常较小（[0,1]）。如果您的数据很大，则调整权重会花费更长的时间，因为它们很远-这并不总是相关的，但是如果您有一个较大范围的输入和一个较小范围的输入，则可能会变得不准确...
另一件事是，如果您不按比例缩放数据，则可能会成为biased
结果–最佳：对称地围绕0。有一个really good article on this from the 19990s here。我什至无法解释它的一半，所以您最好阅读它。简而言之：扩展数据不是必需的，但是您不会做错-而且您实际上可以改善培训。 （这样做！）BTW：您不应该缩放输出（也就是您的标签）。那只会使重新缩放变得乏味；）