Predictive-Models
是否重新調整 LASSO 的指標/二進制/虛擬預測器
對於 LASSO（和其他模型選擇程序），重新調整預測變量至關重要。我遵循的一般 建議 只是對連續變量使用 0 均值、1 標準差標準化。但是跟假人有什麼關係呢？
例如，我鏈接到的同一所（優秀）暑期學校的一些應用示例將連續變量重新調整為 0 和 1 之間（儘管異常值不是很好），可能與假人相當。但即使這樣也不能保證係數應該是相同的數量級，因此受到類似的懲罰，這是重新調整的關鍵原因，不是嗎？
根據 Tibshirani（COX 模型中變量選擇的套索方法，醫學統計，第 16 卷，385-395 (1997)），他寫了一本關於正則化方法的書，你應該標準化假人。但是，您將失去係數的直接可解釋性。如果你不這樣做，你的變量就不是一個公平的競爭環境。您基本上是在傾斜天平以支持您的連續變量（很可能）。因此，如果您的主要目標是模型選擇，那麼這是一個嚴重的錯誤。但是，如果您對解釋更感興趣，那麼這可能不是最好的主意。
建議在第 394 頁：
lasso 方法需要對回歸器進行初始標準化，以便懲罰方案對所有回歸器都是公平的。對於分類回歸變量，可以使用虛擬變量對回歸變量進行編碼，然後對虛擬變量進行標準化。然而，正如裁判所指出的，該方案中連續變量和分類變量之間的相對比例可能有些隨意。