MinMaxScaler 与 StandardScaler 的缩放功能？答案

【问题标题】：MinMaxScaler Vs StandardScaler for Scaling Features?MinMaxScaler 与 StandardScaler 的缩放功能？
【发布时间】：2021-08-29 11:50:28
【问题描述】：

我正在训练一个神经网络来预测比特币收盘价，我正在测试 MinMaxScaler 与 StandardScaler 的输入特征（高、低、波动率）和 MSE（均方误差）以评估结果。

MinMaxScaler

StandardScaler

我的问题：

如图所示，MinMaxScaler 在预测价格方面做得更差。但是，MSE 是 0.107，另一方面，StandardScaler 的 MSE 是 0.2。这是为什么？是不是因为MinMaxScaler 在 [0,1] 之间缩放，所以结果与StandardScaler 相比更接近
研究论文中使用了哪种类型的缩放因为他们中的大多数都没有提到这些信息，我无法判断我的结果是比他们的更好还是更差？
两个缩放器都分别对每一列进行缩放。正确的？因为每个特征都有非常不同的值范围（波动率与价格）。另外，我注意到在将所有特征拟合在一起之后，特征之间的关系就丢失了。例如：按比例的低价高于按比例的高价！

【问题讨论】：

【解决方案1】：

StandardScaler 对于遵循正态分布的特征很有用。因此，它使均值 = 0 并将数据缩放为单位方差。

MinMaxScaler 可以在从领域知识中知道上下边界时使用。MinMaxScaler 缩放范围 [0, 1] 或范围 [-1, 1] 内的所有数据特征（如果有）数据集中的负值。这种缩放压缩了窄范围内的所有内点。

比特币价格分布似乎是正常的所以StandardScaler它是更好的预测

【讨论】：