我读了一篇论文，文中提到正确处理数据集可以显著提高LibSVM的分类准确性…我正在使用Weka实现，希望能得到一些帮助，确保我的数据集是最优的。
以下是我的（示例）属性：
Power Numeric (实数，范围从0到1.5132，9000多个唯一值)Voltage Numeric (与Power类似)Light Numeric (只有0和1两个可能的值)Day Numeric (可能的值为1到20，每个值的数量相等)Range Nominal {1,2,3,4,5} <----这些是类别我的问题是：我应该应用哪些Weka预处理过滤器来使这个数据集对LibSVM更有效？
- 我应该对Power和Voltage数据值进行归一化和/或标准化吗？
- 我应该对任何数据使用离散化过滤器吗？
- 我应该将Power/Voltage值分成更少的区间吗？
- 我应该将Light值设为二进制而不是数值吗？
- 我应该对Day值进行归一化吗？这样做有意义吗？
- 对于“Range”类别，我应该使用Nominal to Binary还是其他类型的过滤器？
请就这些问题以及您认为我可能遗漏的任何其他问题提供建议…
提前感谢！！
回答：
归一化非常重要，因为它影响SVM使用的“距离”概念。归一化的两种主要方法是：
- 将每个“输入维度”缩放到相同的区间，例如
[0, 1]。这是迄今为止最常见的方法。必须这样做以防止某些输入维度完全主导其他维度。LIBSVM作者在他们的初学者指南（附录B中有示例）中推荐这种方法。 - 将每个“实例”缩放到给定的长度。这在文本挖掘/计算机视觉中很常见。
关于处理不同类型的输入：
- 连续型：无需处理，SVM隐式地处理这些变量。
- 有序型：作为连续变量处理。例如，冷、温、热可以建模为
1、2、3，而不隐式定义不自然的结构。 - 名义型：执行独热编码，例如，对于具有N个级别的输入，生成N个新的二进制输入维度。这是必要的，因为必须避免隐式定义名义级别之间的不同距离。例如，将猫、狗、鸟建模为
1、2和3，意味着狗和鸟比猫和鸟更相似，这是无稽之谈。
必须在必要时替换输入后进行归一化处理。
回答您的问题：
-
我应该对Power和Voltage数据值进行归一化和/或标准化吗？
是的，标准化所有（最终的）输入维度到相同的区间（包括虚拟变量！）。
-
我应该对任何数据使用离散化过滤器吗？
不应该。
-
我应该将Power/Voltage值分成更少的区间吗？
不应该。将它们视为连续变量（例如，每个一个输入）。
-
我应该将Light值设为二进制而不是数值吗？
不应该，SVM没有二进制变量的概念，一切都作为数值处理。因此，转换它只会导致内部的额外类型转换。
-
我应该对Day值进行归一化吗？这样做有意义吗？
如果您想使用1个输入维度，您必须像所有其他维度一样对其进行归一化处理。
-
对于“Range”类别，我应该使用Nominal to Binary还是其他类型的过滤器？
Nominal to binary，使用独热编码。
