我对机器学习模型中的缩放概念有点困惑。
在分类中，如果变量具有不同的尺度，我通常对自变量进行缩放，对目标变量进行标签编码，并对预测结果进行逆变换以获得实际标签
在回归中，如果我的变量不同，我知道我们必须缩放自变量，我也应该缩放我的目标变量吗？
如果我在上述情况下的理解是正确的，有人可以帮助我吗？我应该在回归模型中缩放我的目标变量吗？
提前致谢。
缩放只能应用于特征，因为它会影响训练过程，因此当所有特征（自变量）都处于相同（或相似）尺度时，通常训练会更快并且会收敛到一个好的解决方案，特别是如果您正在使用基于梯度的训练算法，例如 SGD 或 Adam，但对于目标（因）变量，您不需要缩放，因为您只需添加额外的计算，而不会影响您的分类器（回归器）的质量会得到的。
虽然在回归中缩放自变量通常是一种很好的做法，但缩放目标变量不是强制性的，而是取决于回归算法的具体特征。请务必检查您所使用的特定算法的文档或指南，以确定它是否需要缩放目标变量。
如果您决定缩放自变量，请务必对训练和测试数据集使用相同的缩放参数（例如均值和标准差或最小-最大缩放范围）以确保一致性。