在连接之前或之后使用 StandardScaler 缩放多个功能？
Scaling multiple features with StandardScaler, before or after concatenation?
我有一个图像数据集（像素值从 0 到 255），我想从中提取不同的特征，例如HOG 特征、Gabor 滤波器特征、LBP 和颜色直方图。
我想将这些特征连接成一个特征向量
feature_overall = np.concatenate((feat1, feat2, feat3, feat4), axis=1)
然后使用生成的整体特征向量训练 SVM。
我正在使用 Python 和 Scikit-Image (Skimage)。
我不确定，这里我必须在哪里使用标准定标器？分别针对每个特征，即在连接所有特征之前？还是将标准缩放器应用于连接的特征向量，即应用于生成的整体特征向量？
非常感谢您的帮助
StandardScaler 将每列缩放为均值为 0 和标准差为 1。从这个意义上说，无论您是在串联之前还是之后缩放特征都没有关系。
但是，如果您使用的是 sklern.preprocessing.Normalizer()，那就很重要了。 Normalizer() 使每一行在某些度量（例如欧几里德）中具有相同的大小。
如果是这样，我会在连接特征之前使用 Normalizer()，因为您可能希望 HOG 特征的总和在所有图像中保持不变，但您可能不希望 HOG 特征的总和，Gabor滤波器特征，LBP和颜色直方图保持不变
我有一个图像数据集（像素值从 0 到 255），我想从中提取不同的特征，例如HOG 特征、Gabor 滤波器特征、LBP 和颜色直方图。 我想将这些特征连接成一个特征向量
feature_overall = np.concatenate((feat1, feat2, feat3, feat4), axis=1)
然后使用生成的整体特征向量训练 SVM。
我正在使用 Python 和 Scikit-Image (Skimage)。
我不确定，这里我必须在哪里使用标准定标器？分别针对每个特征，即在连接所有特征之前？还是将标准缩放器应用于连接的特征向量，即应用于生成的整体特征向量？
非常感谢您的帮助
StandardScaler 将每列缩放为均值为 0 和标准差为 1。从这个意义上说，无论您是在串联之前还是之后缩放特征都没有关系。
但是，如果您使用的是 sklern.preprocessing.Normalizer()，那就很重要了。 Normalizer() 使每一行在某些度量（例如欧几里德）中具有相同的大小。
如果是这样，我会在连接特征之前使用 Normalizer()，因为您可能希望 HOG 特征的总和在所有图像中保持不变，但您可能不希望 HOG 特征的总和，Gabor滤波器特征，LBP和颜色直方图保持不变