Python 在SVM中，归一化轴是否会对预测产生影响？

假设我有两个值，如下所示：

x1       x2         x3            y
1        40         0.9           1
0.9      80         0.5           1
0.6      50         0.6           0
0.4      30         0.7           0

使值看起来像：

x1       x2         x3           y
1        0.5       0.9           1
0.9      1         0.5           1
0.6      0.7       0.6           0
0.4      0.8       0.7           0

列y是输出。如果我沿着列x2（轴=0）而不是沿着行（轴=1）进行标准化，会有不同吗

预测会有所不同吗

---

有人能解释它背后的数学吗？

预测会有所不同。此外，建议对数据进行缩放，以便更好地预测。 SVM使用特征向量之间的距离函数（如欧氏距离）。如果特征具有不同的值范围，则可能会产生不必要的高效果

考虑以下示例：我们有3个实例：A=（0,80,0）、B=（1,40,0.9）和C=（0.1,50,0）。如果我们期望所有特征都得到同等对待，那么我们希望A和C之间的距离比B和C小。然而，距离函数会导致B和C之间的距离变小

摘自：

支持向量机算法不是尺度不变的，所以它是 强烈建议您扩展数据。例如，缩放每个 将输入向量X上的属性设置为[0,1]或[-1，+1]，或将其标准化 平均值为0，方差为1。请注意，必须使用相同的缩放比例 应用于测试向量以获得有意义的结果。见第节 预处理数据，了解有关缩放和规范化的更多详细信息

---

第二个值表示什么？（以下“使值看起来像：”）x1、x2、x3等表示特征。特征可以是不同的尺寸（米、厘米、秒等单位）和比例。因此，如果沿着行对其进行归一化，则没有任何意义。它们应该按列进行规范化，这样才有意义。@Jibin Yes Vivek Kumar说得对，跨行的规范化没有任何意义。跨列（或要素）进行规范化，以便所有要素都在同一范围内。这样做是为了使SVM中的距离计算是正确的，并且特征的权重估计是正确的。跨行的标准化将给出不明确的结果。