数据白化（特征缩放和均值归一化）非常有用，当我们使用代表不同特征并且尺度非常不同的特征（例如房屋的房间数和房价）时。
当这些特征代表“相似的变量”但规模大不相同的情况时呢？ 例如，我们假设我们有一个矩阵，表示环境中不同时刻不同物种的数量，我们希望将这些物种重新分组（例如，证明蚊子和鸟类种群非常相关）。在这个例子中，蚊子的数量比鸟类的数量要多得多（比如十倍或一百倍）。白化这些数据是个好主意吗？
答案 0 :(得分：2)
我认为应该在每个要素的数值范围变化时应用数据缩放，它应该应用于您描述的数据
根据我对svm（liblinear）的经验，通过数据缩放10％可以提高列车模型的准确性。
通常我们会对svm模型应用regulization，这样可以确保wight不会变得太大，而如果数据没有缩放，feature1比feature2大100倍，则feature1的重量应该小于100倍feature2平衡feature1和feature2的效果（这意味着w * x是平衡的），在这种情况下，feature2的重量会尝试增长（如果feature2有效），但是受到模型的约束，所以feature2不能显示其效果。