如果我有200个特征，并且如果每个特征的值都在0到无穷大之间，我应该先将特征值缩放到[0-1]范围内，然后再继续训练LibSVM。它？
现在，假设我确实缩放了这些值，并且在训练模型后如果我得到一个带有其值或要素作为输入的向量，如何在对其进行分类之前缩放输入测试向量的这些值？
由于 Abhishek S
答案 0 :(得分：3)
如果您有无限的功能值，那么无论如何都无法使用LIBSVM。
更实际的是，缩放通常很有用，因此内核不必处理大数，所以我会说它去扩展。但这不是必须的。
正如Anony-Mousse在评论中暗示的那样，请尝试使用和不使用缩放运行实验，因此你可以看到差异。
现在，假设我确实缩放了这些值，并且在训练模型后如果我得到一个带有其值或要素作为输入的向量，如何在对其进行分类之前缩放输入测试向量的这些值？
您无需再次缩放。您已经在预训练步骤（即数据处理）中完成了这项工作。
答案 1 :(得分：2)
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，请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很好地解释了缩放比例：
“2.2缩放 在应用SVM之前进行缩放非常重要。 Sarle神经网络的第2部分 常见问题Sarle（1997）解释了这一点的重要性，大多数考虑因素也适用 到SVM。缩放的主要优点是避免使用更大数字的属性 范围主导较小数值范围。另一个优点是避免 计算过程中的数字困难。因为内核值通常依赖于 特征向量的内积，例如线性内核和多项式内核， 大的属性值可能会导致数值问题。我们建议线性 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“。