SVM:缩放的数据集给出了更差的结果?

我有一个 多类别分类 问题我的数据集(我们称之为数据 X 和标签- y )表示640x480图像上的点集,因此 十、 是有效像素范围内的整数。我正在尝试使用SVM来解决这个问题。如果我对数据集运行SVM 按原样 ,其精度为 74% 。然而,如果我 规模 数据到范围 [0..1] ,结果要差得多-仅 69% 正确的结果。

我仔细检查了元素的直方图 十、 及其缩放版本 Xs ,并且它们是相同的。所以数据没有损坏,只是正常化了。我知道支持向量机背后的想法,我认为缩放不会影响结果,但它确实会影响结果。那么为什么会发生这种情况呢?

这是我的代码,以防我出错:

>>> from sklearn.cross_validation import cross_val_score
>>> from sklearn.svm import SVC
>>> 
>>> X, y = ...
>>> Xs = X.astype(np.float32) / (X.max() - X.min())    
>>> cross_val_score(SVC(kernel='linear'), X, y, cv=10).mean()
0.74531073446327667
>>> cross_val_score(SVC(kernel='linear'), Xs, y, cv=10).mean()
0.69485875706214695