svm-scale有两点好处，第一点是加快训练速度，第二点是比没归一化前同样的条件训练出来的模型准确率更高。

该过程要用到libsvm软件包中的svm-scale.exe

svm-scale用法：

用法：svmscale [-l lower] [-u upper] [-y y_lower y_upper] [-s save_filename] [-r restore_filename] filename （缺省值： lower = -1，upper = 1，没有对y进行缩放） 其中， -l：数据下限标记；lower：缩放后数据下限； -u：数据上限标记；upper：缩放后数据上限； -y：是否对目标值同时进行缩放；y_lower为下限值，y_upper为上限值；（回归需要对目标进行缩放，因此该参数可以设定为 –y -1 1 ） -s save_filename：表示将缩放的规则保存为文件save_filename； -r restore_filename：表示将缩放规则文件restore_filename载入后按此缩放； filename：待缩放的数据文件（要求满足前面所述的格式）。

缩放规则文件可以用文本浏览器打开，看到其格式为：

y

lower upper

min max

x

lower upper

index1 min1 max1

index2 min2 max2

其中的lower 与upper 与使用时所设置的lower 与upper 含义相同；index 表 示特征序号；min 转换前该特征的最小值；max 转换前该特征的最大值。数据集的缩放结果在此情况下通过DOS窗口输出，当然也可以通过DOS的文件重定向符号“>”将结果另存为指定的文件。该文件中的参数可用于最后面对目标值的反归一化。

如果使用svm-scale，训练数据使用归一化后的数据（x，y都需要归一化），测试数据也必须使用归一化后的数据，最后回归结果也是归一化后的y值，所以需要了解y的反归一化才能知道实际的预测值。

归一化程序为：

上图对x进行归一化

上图对回归目标y进行归一化

以上两个截图是libsvm2.91版本中svm-scale.c文件里对y和x归一化的程序。

x的归一化程序：

value = lower + (upper-lower) * (value-feature_min[index])/(feature_max[index]-feature_min[index]);

y的归一化程序：

value = y_lower + (y_upper-y_lower) * (value - y_min)/(y_max-y_min);

上面代码是实现的以下归一化公式：

反归一化程序：

y=(((y`-y_lower)*(y_max-y_min)/(y_upper-y_lower))+y_min)

y`为归一化后预测出来的值，是归一化的值，不是实际的值，y是反归一化出来的实际值。

反归一化公式类似前面的归一化公式，只是将上面归一化公式的min和lower的位置交换，max和upper的位置交换。

其中value为归一化后的值，其他参数与前面介绍的相同。

建议将训练数据集与测试数据集放在同一个文本文件中一起归一化，然后再将归一化结果分成训练集和测试集。