特征长度如何取决于 SVM 分类器中的预测
How Feature length depend on prediction in SVM classifier
目前我正在用opencv中的SVM分类器做英文字母分类。
我在做上面的事情时有以下疑问
特征向量的长度如何取决于分类？
（特征长度增加会怎样（我现在的特征长度是125））
预测时间是否取决于用于训练的数据数量？
为什么我们需要对特征向量进行归一化（这会提高预测的准确性和预测类别所需的时间）吗？
如何确定归一化特征向量的最佳方法？
1) 特征的长度本身并不重要，重要的是特征的预测质量
2) 不是，它不依赖于样本数，而是依赖于特征数（预测一般很快）
3) 如果特征值的范围非常不同，则需要归一化
4) 基本上有标准化（均值、stdev）和缩放（xmax -> +1，xmean -> -1 或 0）——你可以两者都做，看看哪个更好
在谈论分类时，数据由具有许多特征的特征向量组成。在图像处理中，还有映射到分类特征向量的特征。所以你的 "feature length" 实际上是特征的数量或特征向量的大小。
1) 特征的数量很重要。原则上，更多的特征可以更好地分类，但也会导致过度训练。为避免后者，您可以添加更多样本（更多特征向量）。
2) 是的，因为预测时间取决于支持向量的数量和支持向量的大小。但由于预测速度非常快，除非您有一些实时要求，否则这不是问题。
3) 虽然 SVM 作为最大边距分类器对不同的特征值范围非常稳健，但值范围较大的特征比范围较小的特征具有更大的权重。如果 类 不是完全可分离的，这尤其适用于惩罚计算。
4) 由于 SVM 对于不同的值范围非常稳健（与面向聚类的算法相比），这不是最大的问题。通常绝对 min/max 缩放为 -1/+1。如果您知道数据的预期范围，则可以缩放该范围，并且数据中的测量误差不会影响缩放。在迭代过程中添加训练数据时，固定范围也是可取的。
目前我正在用opencv中的SVM分类器做英文字母分类。 我在做上面的事情时有以下疑问
特征向量的长度如何取决于分类？ （特征长度增加会怎样（我现在的特征长度是125））
预测时间是否取决于用于训练的数据数量？
为什么我们需要对特征向量进行归一化（这会提高预测的准确性和预测类别所需的时间）吗？
如何确定归一化特征向量的最佳方法？
1) 特征的长度本身并不重要，重要的是特征的预测质量
2) 不是，它不依赖于样本数，而是依赖于特征数（预测一般很快）
3) 如果特征值的范围非常不同，则需要归一化
4) 基本上有标准化（均值、stdev）和缩放（xmax -> +1，xmean -> -1 或 0）——你可以两者都做，看看哪个更好
在谈论分类时，数据由具有许多特征的特征向量组成。在图像处理中，还有映射到分类特征向量的特征。所以你的 "feature length" 实际上是特征的数量或特征向量的大小。
1) 特征的数量很重要。原则上，更多的特征可以更好地分类，但也会导致过度训练。为避免后者，您可以添加更多样本（更多特征向量）。
2) 是的，因为预测时间取决于支持向量的数量和支持向量的大小。但由于预测速度非常快，除非您有一些实时要求，否则这不是问题。
3) 虽然 SVM 作为最大边距分类器对不同的特征值范围非常稳健，但值范围较大的特征比范围较小的特征具有更大的权重。如果 类 不是完全可分离的，这尤其适用于惩罚计算。
4) 由于 SVM 对于不同的值范围非常稳健（与面向聚类的算法相比），这不是最大的问题。通常绝对 min/max 缩放为 -1/+1。如果您知道数据的预期范围，则可以缩放该范围，并且数据中的测量误差不会影响缩放。在迭代过程中添加训练数据时，固定范围也是可取的。