我想通过一个例子可以更清楚地说明这一点。假设您有两个输入向量：X1 和 X2。假设 X1 的范围是（0.1 到 0.8），X2 的范围是（3000 到 50000）。现在您的 SVM 分类器将是位于 X1-X2 平面上的线性边界。我的主张是线性决策边界的斜率不应该取决于 X1 和 X2 的范围，而是取决于点的分布。

现在让我们对点 (0.1, 4000) 和 (0.8, 4000) 进行预测。该函数的值几乎没有任何差异，因此 SVM 的准确性较低，因为它对 X1 方向上的点的敏感性较低。

SVM 试图最大化分离平面和支持向量之间的距离。如果一个特征（即这个空间中的一个维度）具有非常大的值，那么在计算距离时它将支配其他特征。如果你重新调整所有特征（例如到 [0, 1]），它们对距离度量都有相同的影响。