我遇到了不平衡数据（90%、5%、5%）的三类问题。现在我想使用 LIBSVM 训练一个分类器。
问题在于 LIBSVM 优化其参数 gamma 和 Cost 以获得最佳精度，这意味着 100% 的示例被归类为 1 类，这当然不是我想要的。
我试过修改权重参数 -w 没有太大成功。
所以我想要的是，修改 grid.py 以优化成本和伽玛的精度和按类分开的召回率，而不是整体精度。有没有办法做到这一点？还是有其他脚本可以做这样的事情？
问问题
2456 次
4 回答
8
-w 参数是不平衡数据所需要的。你试过什么了？
如果您的课程是：
- 0级：90%
- 第一类：5%
- 2级：5%
您应该将以下参数传递给 svm：
-w0 5 -w1 90 -w2 90
于 2012-07-10T15:08:21.190 回答
4
如果您想尝试替代方案，svmlight 系列中的一个程序http://www.cs.cornell.edu/people/tj/svm_light/svm_rank.html直接最小化 ROC 曲线下的区域。
与重新加权训练示例相比，最小化 AUC 可能会产生更好的结果。
于 2012-07-14T13:09:50.583 回答
0
您可以使用 优化任何精度、召回率、F-score 和 AUC grid.py。调整是您必须更改svm-trainLIBSVM 中使用的交叉验证评估度量。遵循LIBSVM 网站上给出的程序。
于 2017-03-06T13:54:45.230 回答
0
如果您有不平衡的数据，您可能不应该优化准确性。而是优化 f 分数（或回忆，如果这对您更重要）。您可以按照此处所述更改评估函数。
我认为您还应该优化 gamma 和 Cost，同时使用不同的类权重配置。为此，我通过传递不同的类权重（-wi 权重）修改了 grid.py 中的“get_cmd”函数。以我的经验，班级加权并不总是有帮助。
于 2017-03-22T15:51:13.647 回答