Масштабирование преобразует разные столбцы с разными значениями, как в примере Standard Scaler, но при построении модели из него значения, которые ранее были разными, преобразуются в те же значения со средним значением = 0 и стандартным значением = 1, поэтому это должно повлиять на соответствие модели и результаты.
Я взял фрейм данных игрушечных панд с 1-м столбцом, начинающимся с 1 по 10, и 2-м столбцом, начинающимся с 5 по 14, и масштабировал оба с помощью стандартного масштабатора.
import pandas as pd
ls1 = np.arange(1,10)
ls2 = np.arange(5,14)
before_scaling= pd.DataFrame()
before_scaling['a'] = ls1
before_scaling['b'] = ls2
'''
a b
0 1 5
1 2 6
2 3 7
3 4 8
4 5 9
5 6 10
6 7 11
7 8 12
8 9 13
'''
from sklearn.preprocessing import StandardScaler,MinMaxScaler
ss = StandardScaler()
after_scaling = pd.DataFrame(ss.fit_transform(before_scaling),columns=
['a','b'])
'''
a b
0 -1.549193 -1.549193
1 -1.161895 -1.161895
2 -0.774597 -0.774597
3 -0.387298 -0.387298
4 0.000000 0.000000
5 0.387298 0.387298
6 0.774597 0.774597
7 1.161895 1.161895
8 1.549193 1.549193
'''
Если есть модель регрессии, которая будет построена с использованием двух вышеуказанных независимых переменных, то я считаю, что подгонка модели (линейная регрессия) будет давать разные подгонки и результаты с использованием фрейма данных для фреймов данных before_scaling и after_scaling. Если да, то почему мы используем масштабирование функций, и если мы используем масштабирование функций для отдельных столбцов один за другим, это также даст те же результаты.
