svm必须缩放，因其rbf核依赖欧氏距离，特征尺度不一致会导致距离计算失衡、优化困难、超参难调；standardscaler比minmaxscaler更优，但需注意训练测试集缩放一致性及稀疏矩阵适配。
不缩放就跑SVM，大概率收敛慢、结果差，甚至根本找不到最优解。
为什么SVM对特征尺度这么敏感？
SVM（尤其是用RBF核时）默认把所有特征“一视同仁”地塞进同一个高斯函数里：$K(x_i, x_j) = \exp(-\gamma \|x_i - x_j\|^2)$。这里的 $\|x_i - x_j\|^2$ 是欧氏距离的平方——它直接把各维度相加，不加权、不分优先级。
如果 income 的取值是 50000～200000，而 age 是 18～80，那在距离计算中，income 的差异贡献会比 age 高出三个数量级。模型实际只在“看收入差”，age 几乎被抹平了。
这导致两个后果：
- 优化目标函数的等高线极度拉长（椭圆扁平），
libsvm内部的二次规划求解器需要大量迭代才能逼近最优； - 超参数
gamma和C变得极难调——因为它们实际是在一个严重失衡的坐标系里起作用。
标准化 vs 归一化：SVM该选哪个？
对SVM来说，StandardScaler（均值为0、标准差为1）通常比 MinMaxScaler（缩到 [0,1]）更稳，原因有三：
-
StandardScaler不依赖极值，对异常点鲁棒性更好；SVM本身对离群支持向量敏感，再叠加MinMaxScaler被异常值带偏的缩放，容易放大噪声影响； - RBF核的数学形式天然适配中心化数据（距离以均值为参考更自然）；
-
libsvm官方文档和多数 benchmark 实验都默认使用标准化，兼容性风险更低。
但注意：StandardScaler 要求训练集和测试集用同一套 mean 和 std，不能分别拟合——否则测试样本的分布会被扭曲。
实操中最容易踩的坑
不是“要不要缩放”，而是“缩放在哪一步做”以及“怎么保持一致性”。常见错误包括：
- 先划分 train/test，再对整个数据集（含 test）调用
fit_transform()→ 泄露测试集统计信息，导致评估虚高； - 用
fit_transform()处理训练集，却对测试集直接用transform()，但忘了保存 scaler 对象 → 部署时无法复现； - 对稀疏矩阵（如 TF-IDF 输出）误用
StandardScaler→ 破坏稀疏性，内存暴涨甚至 OOM；此时应改用MaxAbsScaler或手动按列缩放； - 在 pipeline 里漏掉 scaler，或顺序写反（比如先
PCA再缩放）→ 前序步骤输出仍带原始量纲，缩放失效。
一句话收尾
SVM 不是“建议”缩放，是“必须”缩放；而真正难的，从来不是调 fit_transform() 这一行代码，而是确保缩放逻辑在训练、验证、预测、上线全链路中完全一致——尤其当数据分批流入、特征动态增减时，硬编码的 mean/std 很快就会变成隐性故障源。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
