Svm 支持向量机整数特征

我正在python的机器学习scikit学习包中使用SVM分类器。 我的特征是整数。当我调用fit函数时，我得到用户警告“Scaler假设浮点值作为输入，得到int32”，SVM返回其预测，我计算混淆矩阵（我有2个类）和预测精度。 我试图避免用户警告，所以我将这些功能保存为浮动。的确，警告消失了，但我得到了一个完全不同的混淆矩阵和预测准确度（令人惊讶的是，准确度要低得多） 有人知道为什么会这样吗？更可取的是，我应该以浮点或整数的形式发送特征吗？

---

谢谢

您应该将它们转换为浮点数，但转换方式取决于整数特征实际表示的内容

你的整数是什么意思？它们是类别成员指标（例如：1==体育，2==商业，3==媒体，4==人…）还是具有顺序关系的数字度量（3大于2，反过来又大于1）。例如，你不能说“人”比“媒体”大。这是毫无意义的，如果给它这个假设，会混淆机器学习算法

因此，应转换分类特征，将每个特征分解为每个可能类别的几个布尔特征（值为0.0或1.0）。看一看scikit中的，以更好地理解我所说的分类功能的含义

如果有数值，只需将其转换为浮点数，并可能使用定标器使其松散地位于范围[-1，1]内。如果它们跨越几个数量级（例如单词出现次数），则取计数的对数可能会产生更好的结果。有关功能预处理的更多文档和示例，请参见本节文档：

---

编辑：也请阅读本指南，其中包含有关功能表示和预处理的更多详细信息：

首选浮点，因为整数将被复制/转换为浮点数组，因此会浪费内存。但奇怪的是，你会得到不同的结果。谢谢！我的功能是具有订单关系的数字度量，范围为0-9。我刚刚用浮子铸造法把浮子转换成了浮子。奇怪的是，它给了我不同的结果。你能用一个最低限度的复制案例（python脚本+数据子集）来填写一份bug报告吗？它在上展示了问题，在上展示了新问题的链接？