Нужно ли масштабировать данные после преобразования Бокса-Кокса?
У меня проблема. Когда я проводил регрессионный анализ с использованием SVR с линейным ядром, я обнаружил, что зависимые (целевое значение) не были нормально распределены и имели длинный хвост на левой стороне. Поэтому я использовал преобразование Бокса-Кокса. Тогда визуализация целевого значения выглядит следующим образом: распределение данных до и после преобразования Бокса-Кокса
Данные обычно распределялись сейчас, но их число становилось все больше. Большинство переменных в моем наборе данных находятся в диапазоне от 0 до 1. Если я хочу обучить модель, которая будет работать хорошо, я буду масштабировать (например, используя MinMax Scaler) данные после преобразования Бокса-Кокса, чтобы сократить разрыв между переменными и целевым значением?