Для ввода данных разного масштаба я понимаю, что значения, используемые для обучения классификатора, должны быть нормализованы для правильной классификации (SVM).Нужно ли нормализовать входной вектор для прогнозирования в SVM?
Нужно ли также нормализовать входной вектор для прогнозирования?
Сценарий, который у меня есть, заключается в том, что данные обучения нормализуются и сериализуются и сохраняются в базе данных, когда необходимо выполнить предсказание, сериализованные данные десериализуются для получения нормализованного массива numpy, а затем устанавливается массив numpy на классификатор и входной вектор для прогнозирования применяется для прогнозирования. Значит, этот вектор ввода также необходимо нормализовать? Если да, то как это сделать, так как во время предсказания у меня нет фактических данных ввода для нормализации?
Также я нормализую вдоль оси = 0, то есть вдоль столбца.
мой код Нормализация:
preprocessing.normalize(data, norm='l2',axis=0)
есть способ сериализации preprocessing.normalize
Если вы препроцессировать до того SVM-тренировки, то, конечно, вы должны предобработки каждого предсказуемые вектора тоже с таким же препроцессором-объектом (например то же среднее), которое используется для обучения. – sascha
Так что я сериализую нормализатор в sklearn inorder для нормализации входного вектора.? –