2

我使用 LIBSVM 和 MatLab 将 34x5 数据分为 3 个类。我应用了 10 倍 Kfold 交叉验证方法和 RBF 内核。输出是这个混淆矩阵，正确率 0.88（准确率 88%）。这是我的混淆矩阵

9   0   0
0   3   0
0   4   18

我想知道 SVM 内部的哪些方法可以考虑提高机器学习技术中的准确性或其他分类方法。有什么帮助吗？

这是我的 SVM 分类代码

load Turn180SVM1; //load data file
libsvm_options = '-s 1 -t 2 -d 3 -r 0 -c 1 -n 0.1 -p 0.1 -m 100 -e 0.000001 -h 1 -b 0 -wi 1 -q';//svm options

C=size(Turn180SVM1,2);

% cross validation
for i = 1:10
    indices = crossvalind('Kfold',Turn180SVM1(:,C),10);
    cp = classperf(Turn180SVM1(:,C)); 
    for j = 1:10
        [X, Z] = find(indices(:,end)==j);%testing
        [Y, Z] = find(indices(:,end)~=j);%training


feature_training = Turn180SVM1([Y'],[1:C-1]); feature_testing = Turn180SVM1([X'],[1:C-1]);
class_training = Turn180SVM1([Y'],end); class_testing = Turn180SVM1([X'], end);
% SVM Training
       disp('training');
       [feature_training,ps] = mapminmax(feature_training',0,1);
       feature_training = feature_training';
       feature_testing = mapminmax('apply',feature_testing',ps)';
       model = svmtrain(class_training,feature_training,libsvm_options);  
% 

% SVM Prediction       
        disp('testing');
        TestPredict = svmpredict(class_testing,sparse(feature_testing),model);
       TestErrap = sum(TestPredict~=class_testing)./length(class_testing)*100;
         cp = classperf(cp, TestPredict, X);
        disp(((i-1)*10 )+j);
end;
end;
[ConMat,order] = confusionmat(TestPredict,class_testing);
cp.CorrectRate;
cp.CountingMatrix;
4

1 回答 1

3

存在许多方法。如果您的调整程序是最佳的（例如执行良好的交叉验证），您的选择包括：

  1. 改进预处理，也许可以根据领域知识定制新的聚合特征。最重要（也是最有效）：确保您的输入正确标准化，例如将每个维度缩放到 [-1,1]。

  2. 使用另一个内核：众所周知，RBF 内核在各种设置中都表现良好，但许多任务都存在专门的内核。除非您知道自己在做什么，否则不要考虑这一点。由于您正在处理低维问题，如果您的数据不是结构化的，RBF 可能是一个不错的选择。

  3. 重新加权训练实例：当您的数据集不平衡时尤其重要（例如，某些类的实例比其他类少得多）。您可以使用-wXlibsvm 中的选项来执行此操作。存在各种重新加权方案，包括提升的变体。我不是这个的主要粉丝，因为这种方法容易过度拟合。

  4. 更改交叉验证成本函数以满足您的确切需求。准确性真的是您正在寻找的还是您想要的，例如高F1或高ROC-AUC？令人惊讶的是，有多少人会优化他们并不真正感兴趣的绩效指标。

于 2013-09-10T02:28:35.377 回答