标签： machine-learning svm normalization scaling
在提出问题之前，让我从一些快速定义入手。
缩放-更改属性范围并将其转换为特定比例。
归一化-转换属性，使其具有正态分布。
使用SVM和类似的距离度量学习器时，应该缩放或归一化我的数据，还是应该缩放和归一化我的数据？我总是看到人们为SVM规范化他们的数据，但是似乎缩放更重要，理想情况下，也许您想同时做这两个？你有什么想法？