是否需要对SVM中预测的输入向量进行归一化？

对于不同比例的输入数据，我明白用于训练分类器的值必须针对正确分类（SVM）进行归一化。是否需要对SVM中预测的输入向量进行归一化？

那么预测的输入向量也需要归一化吗？

我的场景是训练数据被规范化并序列化并保存在数据库中，当必须完成预测时，序列化的数据被反序列化以获得规范化的numpy数组，然后numpy数组适合在分类器上并且用于预测的输入向量被应用于预测。那么这个输入向量是否也需要进行归一化？如果是这样，怎么做，因为在预测时我没有实际的输入训练数据来正常化？

此外，我正在沿轴= 0，即沿着列正常化。

我正火的代码是：

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

有建议定标器有几个原因的方式来序列preprocessing.normalize

如果您之前SVM的训练进行预处理，那么你当然要预处理每到预测矢量也以相同的预处理器对象（例如同样的意思）用于训练。 – sascha

所以，我要序列化sklearn中的规范器以便规范化输入向量。 –

在支持向量机。

当您将这些功能放在相同的比例尺中时，您必须删除平均值并除以标准偏差。

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

您必须存储训练集中每个要素的均值和标准差，以便在将来的数据中使用相同的操作。

在Python有函数来为你做的：

要获取手段和STANDAR偏差：

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

为了标准化，然后训练集（X是一个矩阵，其中每行是数据，每列都有一个特征）：

X = scaler.transform(X)

培训结束后，必须分级前正常化未来的数据：

newData = scaler.transform(newData)

2016-11-10 17:16:33 Rob

回答