实时缩放LibSVM的数据

Question

我正在使用LibSVM对数据进行分类。我在区间[-1 1]上使用线性缩放的特征数据训练和测试分类器。建立一个产生可接受精度的模型后，我想对几乎实时定期到达的新数据进行分类。

我不知道如何重新调整“实时”功能列的功能列。间隔为[-1 1]的数据，因为我只为该输入数据生成1行特征。如果我要存储测试/训练集数据特征列的最小值/最大值（以便扩展新数据），则表示如果新的实时数据不落入此最小/最大范围，则可能该模型不再有效，因为我必须重新调整所有先前的数据以适应新的最小/最大值并生成新模型。

我已经考虑过使用其他缩放技术，例如均值归一化，但我读过SVM在线性缩放功能方面效果特别好，所以我对使用其他方法犹豫不决。

如果新要素是单行向量，并且可能具有比重新调整训练数据时使用的最大/最小特征值更高/更低的特征值，那么如何处理将新要素重新缩放到线性间隔？

这是我用来重新调整训练/测试功能集的等式。

即使一个人使用另一种特征缩放技术（例如均值归一化），每增加一次实时＆＃39;分类，在重新缩放之前重新计算ALL（新的，测试和训练）数据的平均值，最小值和最大值是否谨慎，或者是否可以使用训练/测试中存储的缩放值来接收新样本 - 直到＆＃ 34;再训练＆＃34;分类器将考虑所有新获得的数据。

总而言之，我认为我遇到的问题是：如何处理线上特征缩放的问题在线＆＃39;分类问题？