SVM训练数据归一化研究

摘要

数据归一化是训练支持向量机（SVM）必须的数据预处理过程．常用的归一化方法有[-1，＋1]、N（0，1）等方法，但现有文献尚未发现关于这些常用归一化方法科学依据方面的研究．本文以经验性的实验对数据归一化的理由、归一化与不归一化对训练效率和模型预测能力影响等方面开展研究．论文选择标准数据集，对原始未归一化、不同方法归一化、人工逆归一化、任选数据属性列等情况下的数据分别进行了SVM训练，并记录目标函数值随迭代次数的变化、训练时间、模型测试及k-CV性能等信息．实验结果表明，将数据值限制在常规范围内的归一化方法，如[-0．5，＋0．5]-[-5，＋5]、N（0，1）-N（0，5）等均能在训练时间最短的情况下获得最佳的预测模型．本文工作为SVM以及一般机器学习算法的数据归一化提供了科学依据．