Machine learning 不同的标度方法对SVM回归性能影响太大

我有一个1000行8列的数据集。我正在使用支持向量机进行回归，使用scikit的SVM.SVR。然后我对一些参数进行交叉验证的网格搜索。 我的网格如下所示：

grid=[{'C'：[.1,1,10,501005001000]，'kernel'：['linear']}，
{'C'：[1,1,10,501005001000]，'gamma'：[0.001,0.0001，'auto']， 'kernel'：['rbf']}，{'C'：[.1,1,10,501005001000]，'gamma'： [0.001,0.0001，'auto']，'kernel':['sigmoid']}，{'C': [1,1,10,501005001000]，“gamma”：[0.001,0.0001，‘自动’，“内核”： ['poly']，'degree'：[2,3,4]}]

我知道这个网格看起来很大，但我认为用SVM尝试不同的内核很重要

当我将数据缩放为0均值和单位方差时，两个特征仍然有点偏斜，最小值在-14左右。因此，它可能不是我的数据的最佳缩放方法

然而，如果我使用scikit的MinMaxScaler，数据会停留在-1和+1之间；对于这两个扭曲的特征，直方图看起来也很正常

当我使用最小-最大缩放数据运行网格搜索时，我会在几秒钟内得到结果

当我使用标准缩放数据运行网格时，交叉验证永远不会结束，我需要停止执行。我想我跑了最长的一个半小时

---

我知道，内核技巧通过将整个数据集映射到更高维空间来工作，支持向量机通过计算这些数据点之间的距离来工作，并且找到边界也很困难。但是为什么这个小小的差异会导致性能上的巨大差异

我问了这个问题后就明白了。c参数太高，因此在使用StandardScaler对数据进行预处理时，优化问题变得无法解决。