Machine learning 在支持向量机中是否需要对预测输入向量进行归一化？

对于不同规模的输入数据，我理解用于训练分类器的值必须进行规范化，以实现正确的分类VM

那么，预测的输入向量也需要标准化吗

我的场景是，训练数据被规范化、序列化并保存在数据库中，当必须进行预测时，序列化的数据被反序列化以获得规范化的numpy数组，然后numpy数组被适配到分类器上，用于预测的输入向量被应用于预测。那么这个输入向量也需要标准化吗？如果是这样的话，怎么做呢？因为在预测时，我没有要标准化的实际输入训练数据

此外，我正在沿轴=0进行规格化，即沿列进行规格化

我的规范化代码是：

preprocessing.normalize(data, norm='l2',axis=0)

---

是否有一种序列化预处理的方法。在支持向量机中，由于几个原因，建议使用定标器

在许多优化方法中，最好具有相同的规模。 许多核函数内部使用欧几里德距离来比较高斯核中的两个不同样本。欧几里德距离是指数项，如果每个特征具有不同的尺度，欧几里德距离只考虑具有最高尺度的特征。 将要素置于同一比例时，必须删除平均值并除以标准偏差

        xi - mi
xi -> ------------
         sigmai

您必须存储训练集中每个特征的平均值和标准偏差，以便在将来的数据中使用相同的操作

在python中，您可以使用以下函数：

要获得平均值和标准偏差：

scaler = preprocessing.StandardScaler().fit(X)

为了规范化，训练集X是一个矩阵，其中每一行是一个数据，每一列是一个特征：

X = scaler.transform(X)

培训后，您必须在分类之前规范化未来数据：

newData = scaler.transform(newData)

---

如果在svm训练之前进行预处理，那么当然也必须对每个向量进行预处理以预测向量，使用与训练相同的预处理器对象，例如相同的平均值。因此，我要在sklearn中序列化规范化器以规范化输入向量。？