scikit-learn 的 SVM 基于 LIBSVM。LIBSVM/SVM 要求对数据进行缩放，建议特征值应在 [0, 1] 或 [-1, 1] 两个范围之一。也就是说，在典型的矩阵中，每一列都是一个特征，并且每列都进行缩放。
LIBSVM FAQ 建议使用简单的缩放来获得 [0, 1] 之间的特征：
x'=(x-min)/(Max-min)
scikit-learn 是否支持这种“简单缩放”？是否有其他建议可以扩展功能以与 SVM 和 RBF 内核一起使用。有参考吗？我找到了一篇名为“支持向量分类实用指南”的参考文章，它基于 LIBSVM，他们建议缩放到 [0, 1] 或 [-1, 1]。
是的，包含此功能。您描述的确切公式将在下一个版本中作为sklearn.preprocessing.MinMaxScaler. 目前，sklearn.preprocessing.Scaler（将StandardScaler在下一个版本中重命名，但旧名称将保留为向后兼容）中心和缩放特征以具有均值 0 和方差 1，这应该足以将数据传递给 SVM 学习器。
此外，sklearn.preprocessing.Normalizer（以及TfidfVectorizer用于文本分类的）将每个样本的值标准化为 [0, 1] 范围。这相当于文本分类和信息检索中常见的长度标准化。
您可以使用一个Pipeline对象来构造一个居中、缩放的 SVM 分类器：
clf = Pipeline([('scale', Scaler()),
('svm', SVC())])
我认为您正在寻找StandardScaler，至少对于 [-1,1] 情况。