我有个问题。当我使用带有线性核的 SVR 进行回归分析时，我发现依赖项（目标值）不是正态分布的，并且左侧有一条长尾。所以我使用了box-cox转换。那么目标值的可视化是这样的： box-cox变换前后的数据分布
现在数据呈正态分布，但数量越来越大。我的数据集中的大多数变量的范围从 0 到 1。如果我想训练一个表现良好的模型，我是否应该在 box-cox 转换后缩放（例如使用 MinMax Scaler）数据，以缩小差距变量和目标值之间？
我有个问题。当我使用带有线性核的 SVR 进行回归分析时，我发现依赖项（目标值）不是正态分布的，并且左侧有一条长尾。所以我使用了box-cox转换。那么目标值的可视化是这样的： box-cox变换前后的数据分布
现在数据呈正态分布，但数量越来越大。我的数据集中的大多数变量的范围从 0 到 1。如果我想训练一个表现良好的模型，我是否应该在 box-cox 转换后缩放（例如使用 MinMax Scaler）数据，以缩小差距变量和目标值之间？