文献类型：期刊文章

作　　者：汤荣志[1,2] 段会川[1,2] 孙海涛[3]

机构地区：[1]山东师范大学信息科学与工程学院,济南250014 [2]山东师范大学山东省分布式计算机软件新技术重点实验室,济南250014 [3]山东师范大学实验室与设备管理处,济南250014

出　　处：《山东师范大学学报（自然科学版）》

年　　份：2016

卷　　号：31

期　　号：4

起止页码：60-65

语　　种：中文

收录情况：CAS、IC、ZGKJHX、普通刊

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．

关 键 词：支持向量机 数据归一化  数据预处理 交叉验证  

分 类 号：TP391.41]