是否需要對SVM中預測的輸入向量進行歸一化？

對於不同比例的輸入數據，我明白用於訓練分類器的值必須針對正確分類（SVM）進行歸一化。是否需要對SVM中預測的輸入向量進行歸一化？

那麼預測的輸入向量也需要歸一化嗎？

我的場景是訓練數據被規範化並序列化並保存在數據庫中，當必須完成預測時，序列化的數據被反序列化以獲得規範化的numpy數組，然後numpy數組適合在分類器上並且用於預測的輸入向量被應用於預測。那麼這個輸入向量是否也需要進行歸一化？如果是這樣，怎麼做，因爲在預測時我沒有實際的輸入訓練數據來正常化？

此外，我正在沿軸= 0，即沿着列正常化。

我正火的代碼是：

preprocessing.normalize(data, norm='l2',axis=0)

有建議定標器有幾個原因的方式來序列preprocessing.normalize

如果您之前SVM的訓練進行預處理，那麼你當然要預處理每到預測矢量也以相同的預處理器對象（例如同樣的意思）用於訓練。 – sascha

所以，我要序列化sklearn中的規範器以便規範化輸入向量。 –

在支持向量機。

當您將這些功能放在相同的比例尺中時，您必須刪除平均值併除以標準偏差。

 xi - mi 
xi -> ------------ 
     sigmai

您必須存儲訓練集中每個要素的均值和標準差，以便在將來的數據中使用相同的操作。

在Python有函數來爲你做的：

要獲取手段和STANDAR偏差：

scaler = preprocessing.StandardScaler().fit(X)

爲了標準化，然後訓練集（X是一個矩陣，其中每行是數據，每列都有一個特徵）：

X = scaler.transform(X)

培訓結束後，必須分級前正常化未來的數據：

newData = scaler.transform(newData)

2016-11-10 17:16:33 Rob

回答