如果我有 200 个特征，并且每个特征的值可以从 0 到无穷大，我是否应该在继续训练 LibSVM 之前将特征值缩放到 [0-1] 范围内是吗？
现在，假设我确实对值进行了缩放，并且在训练模型之后，如果我得到一个带有其值或特征的向量作为输入，我如何在分类之前对输入测试向量的这些值进行缩放？
谢谢 阿布舍克S
【问题讨论】：
标签： machine-learning data-mining svm libsvm
如果你有无限的特征值，你无论如何都不能使用 LIBSVM。
更实际地，缩放通常很有用，因此内核不必处理大量数字，所以我会说去做它并缩放。不过，这不是必需的。
正如 cmets 中所暗示的 Anony-Mousse，请尝试在有和没有缩放的情况下运行实验，以便您可以看到差异。
现在，假设我确实对值进行了缩放，并且在训练模型之后，如果我得到一个带有其值或特征的向量作为输入，我如何在分类之前对输入测试向量的这些值进行缩放？
您无需再次扩展。您已经在预训练步骤（即数据处理）中这样做了。
【讨论】：
您应该存储用于训练的特征值范围。然后，当您从未知实例中提取特征值时，使用特定范围进行缩放。
使用公式（此处为范围 [-1.0 , 1.0]）：
double scaled_val = -1.0 + (1.0 - -1.0) * (extracted_val - vmin)/(vmax-vmin);
libsvm 网站上提供的Guide 很好地解释了缩放：
"2.2 缩放 在应用 SVM 之前进行缩放非常重要。 Sarle 的神经网络的第 2 部分 常见问题解答 Sarle (1997) 解释了这一点的重要性，大多数考虑也适用 到支持向量机。缩放的主要优点是避免更大数字中的属性 范围在较小的数字范围内占主导地位。另一个好处是避免 计算过程中的数值困难。因为内核值通常取决于 特征向量的内积，例如线性核和多项式核， 大的属性值可能会导致数值问题。我们推荐线性 将每个属性缩放到范围 [-1; +1] 或 [0; 1]。 当然，我们必须使用相同的方法来扩展训练和测试 数据。”
【讨论】：