Python SVM SCIKIT学习的标准化或标准化数据输入

正如主题所说，我在正常化和 scikitlearn中支持向量机回归数据集的标准化

我的问题是：

当我想搜索SVM的参数时（

C

和

gamma

例如）我使用以下代码：

param_grid = [
  {'C': [1, 10, 100, 1000], 'kernel': ['linear']},
  {'C': [1, 10, 100, 1000], 'gamma': [0.001, 0.0001], 'kernel': ['rbf']},
 ]

svr = svm.SVC()
clf = grid_search.GridSearchCV(svr, param_grid)
clf.fit(X_train,TargetT)

我是否应该标准化

fit

功能中的

X\u列

和

TargetT

向量

X\u列

包含介于-1和1之间的值，

TargetT

是0的向量 平均值不等于0，标准值不等于1

我尝试在上使用

预处理.StandardScaler（）

函数

InputTraining

和

InputValidation

数据集，但当我检查 每个特征的平均值I的值不等于0（平均值 订单号为e-14），std约为1.00000985。是吗 正常还是我做错了什么？我想用天平 数据集作为SVM的输入，代码如下：

scalerI = preprocessing.StandardScaler()
X_train = scalerI.fit_transform(InputT)
X_test = scalerI.transform(InputCross)
svr = SVR(kernel='rbf', epsilon=0.01, C=100, gamma = 0.01)
y_rbf = svr.fit(X_train,TargetT)
y_hat=svr.predict(X_test)

多谢各位

只有输入功能

X\u train

需要标准化，而不是目标变量，该变量应该是分类任务的整数值（例如二进制分类的0和1数组）或字符串标签（例如

'spam'

vs

'ham'

）。对于回归任务（预测连续变量，如以摄氏度为单位的温度或以美元为单位的价格），它有时有助于标准化目标，但这通常不如标准化输入特性那样有用

1e-14接近0.0，1.00000985接近1.0

另一方面，您可以使用管道缩短代码：

from sklearn.pipeline import make_pipeline
pipeline = make_pipeline(
    preprocessing.StandardScaler(),
    SVR(kernel='rbf', epsilon=0.01, C=100, gamma = 0.01),
)
pipeline.fit(X_train, TargetT)
y_hat = pipeline.predict(X_test)

---

要网格搜索这样一个管道的内部模型的参数，您必须使用小写版本的类名作为前缀：例如

'svr\uu C'

，

'svr\uu gamma'

和

'svr\uu epsilon'

好的，谢谢！关于第二点，我认为由于它们足够接近0和1，它们仍然可以作为SVM的输入，但我不完全确定。谢谢你的建议