如何将标准化应用于scikit-learn中的支持向量机？
如何将标准化应用于scikit-learn中的支持向量机？
提问于 2013-02-04 22:03:15
我使用的是scikit-learn的当前稳定版本0.13。我正在使用类sklearn.svm.LinearSVC将线性支持向量分类器应用于一些数据。
在scikit learn文档中的chapter about preprocessing中，我读到了以下内容：
在学习算法的目标函数中使用的许多元素(例如支持向量机的径向基函数核或线性模型的l1和l2正则化器)都假设所有特征都以零为中心，并且具有相同阶数的方差。如果一个特征的方差比其他特征大几个数量级，它可能会控制目标函数，并使估计器无法像预期的那样正确地从其他特征中学习。
问题1:通常对支持向量机是有用的标准化，也适用于像我这样具有线性核函数的支持向量机？
问题2:据我所知，我必须计算训练数据的平均值和标准差，并使用类sklearn.preprocessing.StandardScaler对测试数据应用相同的转换。然而，我不明白的是，在将训练数据提供给SVM分类器之前，我是需要对训练数据也进行转换，还是只对测试数据进行转换。
也就是说，我是否必须这样做：
scaler = StandardScaler()
scaler.fit(X_train) # only compute mean and std here
X_test = scaler.transform(X_test) # perform standardization by centering and scaling
clf = LinearSVC()
clf.fit(X_train, y_train)
clf.predict(X_test)或者我必须这样做：
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train) # compute mean, std and transform training data as well
X_test = scaler.transform(X_test) # same as above
clf = LinearSVC()
clf.fit(X_train, y_train)
clf.predict(X_test)简而言之，我是否必须对训练数据使用scaler.fit(X_train)或scaler.fit_transform(X_train)才能使用LinearSVC获得合理的结果
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/14688391
复制相关文章
相似问题