11

这是代码的粘贴：SVM 示例代码

我检查了这个问题的其他几个答案......似乎这个问题的特定迭代有点不同。

首先，我的输入是标准化的，每个点有五个输入。这些值的大小都是合理的（健康的 0.5 秒和 0.7 秒等——很少接近零或接近 1 的数字）。

我有大约 70 x 输入对应于它们的 70 y 输入。y 输入也被归一化（它们是我的函数在每个时间步之后的百分比变化）。

我初始化我的 SVR（和 SVC），训练它们，然后用 30 个样本外输入测试它们……并为每个输入获得完全相同的预测（并且输入的变化量合理——0.3、0.6 , 0.5 等）。我认为分类器（至少）会有一些差异......

这是我得到的代码：

# train svr

my_svr = svm.SVR()
my_svr.fit(x_training,y_trainr)

# train svc

my_svc = svm.SVC()
my_svc.fit(x_training,y_trainc)


# predict regression

p_regression = my_svr.predict(x_test)
p_r_series = pd.Series(index=y_testing.index,data=p_regression)

# predict classification

p_classification = my_svc.predict(x_test)
p_c_series = pd.Series(index=y_testing_classification.index,data=p_classification)

以下是我的输入示例：

x_training = [[  1.52068627e-04   8.66880301e-01   5.08504362e-01   9.48082047e-01
7.01156322e-01],
              [  6.68130520e-01   9.07506250e-01   5.07182647e-01   8.11290634e-01
6.67756208e-01],
              ... x 70 ]

y_trainr = [-0.00723209 -0.01788079  0.00741741 -0.00200805 -0.00737761  0.00202704 ...]

y_trainc = [ 0.  0.  1.  0.  0.  1.  1.  0. ...]

并且x_test矩阵 (5x30)x_training在输入的幅度和方差方面与矩阵相似......对于y_testr和 也是如此y_testc。

目前，所有测试的预测完全相同（回归为 0.00596，分类为 1...）

如何让 SVR 和 SVC 函数吐出相关预测？或者至少基于输入的不同预测......

至少，分类器应该能够做出选择。我的意思是，即使我没有为回归提供足够的维度......

4

3 回答 3

9

尝试从默认值增加您的 C。看来你是欠拟合的。

my_svc = svm.SVC(probability=True, C=1000)
my_svc.fit(x_training,y_trainc)

p_classification = my_svc.predict(x_test)

p_classification 然后变成：

array([ 1.,  0.,  1.,  0.,  1.,  1.,  1.,  1.,  1.,  1.,  0.,  0.,  0.,
        1.,  0.,  0.,  0.,  0.,  0.,  1.,  1.,  0.,  1.,  1.,  1.,  1.,
        1.,  1.,  1.,  1.])

对于这种SVR情况，您还需要减少您的 epsilon。

my_svr = svm.SVR(C=1000, epsilon=0.0001)
my_svr.fit(x_training,y_trainr)

p_regression = my_svr.predict(x_test)

p_regression 然后变成：

array([-0.00430622,  0.00022762,  0.00595002, -0.02037147, -0.0003767 ,
        0.00212401,  0.00018503, -0.00245148, -0.00109994, -0.00728342,
       -0.00603862, -0.00321413, -0.00922082, -0.00129351,  0.00086844,
        0.00380351, -0.0209799 ,  0.00495681,  0.0070937 ,  0.00525708,
       -0.00777854,  0.00346639,  0.0070703 , -0.00082952,  0.00246366,
        0.03007465,  0.01172834,  0.0135077 ,  0.00883518,  0.00399232])

您应该考虑使用交叉验证来调整您的 C 参数，以便它能够在对您最重要的任何指标上表现最佳。您可能希望查看GridSearchCV以帮助您执行此操作。

于 2015-12-26T21:38:58.790 回答
3

我有同样的问题，但原因完全不同，因此寻找解决方案的地方完全不同。

如果您的预测输入因任何原因未正确缩放，您可能会遇到与此处相同的症状。这可能是在以后的预测中忘记（或错误编码）输入值的缩放，或者由于输入的顺序错误。

于 2017-04-06T21:46:56.803 回答
0

在我的情况下，我需要使用 sklearn 包中的 StandardScaler 来缩放我的数据。

此外，在我的情况下，我必须独立缩放每组特征，每种距离都单独缩放。

from sklearn.preprocessing import StandardScaler
ss = StandardScaler()
ss.fit(X[:,0:10])
X[:,0:10] = ss.transform(X[:,0:10])
ss = StandardScaler()
ss.fit(X[:,10:20])
X[:,10:20] = ss.transform(X[:,10:20])
于 2017-10-26T23:57:33.810 回答