问题标签 [svm]

我正在使用 svmtrain 来区分几对数据。尽管 svmtrain 在一种情况下可以正常工作（输出一个由 svmclassify 验证的准确率约为 70% 的分类器对象），但所有其他情况似乎都失败了。我的特征向量是 134 维，每个类使用 300 到 800 个数据点。（每个类不一定有相同数量的数据点）。我尝试使用 svmtrain 的默认内核使用该方法

在这种情况下，我收到错误：

无法解决优化问题：超过最大迭代次数；增加options.MaxIter。要继续以当前解决方案为起点解决问题，请在调用 quadprog 之前设置 x0 = x。

我还尝试过扩展迭代次数并使用调用指定内核：

在这种情况下，我收到错误：

无法求解优化问题：退出：解无界且无穷大；约束不够严格。

在确实有效的情况下，我有来自第一类的 338 个数据点和来自第二类的 476 个数据点。例如，在三个不起作用的情况下，第二类有 828、573 和 333 个数据点，而第一类保持不变，有 338 个数据点。两种方法调用似乎都不起作用。

请你帮助我好吗？我一直试图解决这个问题一个星期，但没有运气。我在具有 1 GHz 处理器和 2 GB RAM 的虚拟机 Windows XP 上使用 MATLAB 7.9.0 R2009B。

太感谢了！-维维克

我是新手，所以请温柔一点。

我目前正在尝试使用内核方法应用一些结构化预测算法。我缺少的是一个很好的数据库来测试它。我目前已经搜索（并继续搜索）一些免费数据库，但直到现在都没有找到（有用的）。

只是为了更清楚地说明我对您的看法，您可以将这篇论文作为参考：

http://www-kd.iai.uni-bonn.de/pubattachments/402/GaertnerV09ECML.pdf

目前我正在此链接上搜索数据库，如果找到合适的内容，我将更新此主题： http ://www.quora.com/Data/Where-can-I-get-large-datasets-open-to- the-public?q=large+datase

大家好，我正在使用 SVM 工具进行 POS 标记，但我不明白如何从训练语料库构建特征向量。有人可以帮我解决这个问题。

我知道 SVM 被认为是“ANN 杀手”，因为它们会自动选择表示复杂性并找到全局最优值（请参阅此处了解一些 SVM 的赞美引言）。

但这里是我不清楚的地方——所有这些优越性主张是否仅适用于 2 类决策问题的情况，还是更进一步？（我假设它们适用于非线性可分类，否则没人会关心）

因此，我想澄清一些案例的样本：

• SVM 是否比具有许多类的 ANN 更好？
• 在在线环境中？
• 在像强化学习这样的半监督案例中呢？
• 有没有更好的无监督版本的 SVM？

我不希望有人回答所有这些小问题，而是给出一些一般界限，说明 SVM 在实践中何时优于常见的 ANN 等效项（例如 FFBP、循环 BP、玻尔兹曼机、SOM 等），最好在理论上也是如此。

在 OpenCV 中，有一个 CvSVM 类，它接收一个样本矩阵来训练 SVM。矩阵是二维的，样本在行中。

我创建了自己的方法来从视频源中生成方向梯度 (HOG) 的直方图。为此，我创建了一个 9 通道矩阵来存储 HOG，其中每个通道对应一个方向箱。所以最后我有一个 40x30 类型的矩阵CV_32FC(9)。

还为 HOG 做了一个可视化，它正在工作。

我看不出我应该如何将此矩阵输入 OpenCV SVM，因为如果我将其展平，我看不出 SVM 应该如何从 1D 输入数据中学习 9D 超平面。

我正在实现一个一对一分类器来区分对应于（1）将计算机光标向上移动和（2）将其沿其他七个基本方向中的任何一个移动或不移动的神经数据。我正在使用带有 RBF 内核（由 LIBSVM 创建）的 SVM 分类器，并且我进行了网格搜索以找到适合我的分类器的最佳 gamma 和成本参数。我尝试使用来自两个类中的每一个的 338 个元素的训练数据（对我的大型“休息”类进行欠采样），并使用了我的第一个类中的 338 个元素和我的第二个类中的 7218 个元素以及加权 SVM。

我还使用特征选择将我使用的特征数量从 130 个减少到 10 个。我在训练分类器时尝试使用十个“最佳”特征和十个“最差”特征。我还使用了整个功能集。

不幸的是，我的结果不是很好，而且我找不到原因。我测试了 37759 个数据点，其中 1687 个来自“one”（即“up”）类，其余 36072 个来自“rest”类。在所有情况下，我的分类器准确率为 95%，但正确预测的值都属于“rest”类（即，我的所有数据点都被预测为“rest”，而所有错误预测的值都属于“one” "/"up" 类）。当我尝试使用每个类的 338 个数据点（与我用于训练的相同）进行测试时，我发现支持向量的数量为 666，比数据点的数量少了 10 个。在这种情况下，准确率百分比仅为 71%，

你知道可能出了什么问题吗？如果您有任何建议，请让我知道。

谢谢！

所以我想确保我有这个权利。首先，我是一名计算机工程专业的本科生，拥有比软件更多的硬件/EE 经验。今年夏天，我发现自己使用了一种使用一类 SVM 的聚类算法。SVM 只是用于分类/分离输入数据的数学模型吗？SVM 是否适用于具有一个属性/变量的数据集？我猜后者不会，可能是因为具有单个属性的分类实际上是刻板印象。我的猜测是 SVM 在具有多个属性/变量以有助于分类的数据集上表现更好。提前致谢！

名义上是一个很好的问题，但我很确定这是因为发生了一些有趣的事情......

作为上下文，我正在研究面部表情/识别空间中的一个问题，因此获得 100% 的准确率似乎令人难以置信（并不是说它在大多数应用程序中都是合理的......）。我猜数据集中存在一些一致的偏差，这使得 SVM 很容易得出答案，=或=，更有可能的是，我在 SVM 方面做错了。

我正在寻找帮助了解正在发生的事情的建议——是我吗（=我对 LibSVM 的使用）？还是数据？

细节：

• 大约 2500 个带标签的数据向量/实例（转换后的个人视频帧——总共<20 个人），二元分类问题。~900 个特征/实例。不平衡数据集的比例约为 1:4。
• Ran subset.py 将数据分成测试（500 个实例）和训练（剩余）。
• 跑“svm-train -t 0”。（注意：显然不需要'-w1 1 -w-1 4'......）
• 在测试文件上运行 svm-predict。准确度=100%！

尝试的事情：

• 通过一些无意的命令行参数错误检查了大约 10 次我没有对相同的数据文件进行训练和测试
• 多次重新运行subset.py（即使使用-s 1）并且只训练/测试多个不同的数据集（以防我随机在最神奇的训练/测试pa
• 运行一个简单的类似 diff 的检查以确认测试文件不是训练数据的子集
• 数据上的 svm-scale 对准确度没有影响（准确度=100%）。（虽然支持向量的数量确实从 nSV=127, bSV=64 下降到 nBSV=72, bSV=0。）
• （（奇怪））使用默认的 RBF 内核（副线性 - 即删除 '-t 0'）导致准确性进入垃圾（？！）
• （健全性检查）使用在缩放数据集上针对未缩放数据集训练的模型运行 svm-predict 导致准确度 = 80%（即，它总是猜测主导类）。这严格来说是一个健全性检查，以确保以某种方式 svm-predict 名义上在我的机器上正确运行。

初步结论？：

数据中的某些东西很奇怪——不知何故，在数据集中，SVM 正在接受一种微妙的、由实验者驱动的效果。

（然而，这并不能解释为什么 RBF 内核会给出垃圾结果。）

非常感谢关于 a）如何修复我对 LibSVM 的使用（如果这实际上是问题）或 b）确定 LibSVM 数据中的微妙实验者偏见的任何建议。

我正在尝试 libsvm，并按照该示例在软件随附的 heart_scale 数据上训练 svm。我想使用我自己预先计算的 chi2 内核。训练数据的分类率下降到 24%。我确定我正确计算了内核，但我想我一定是做错了什么。代码如下。你能看出有什么错误吗？帮助将不胜感激。

这是内核的预计算方式：

使用不同的 svm 实现（vlfeat），我获得了大约 90% 的训练数据分类率（是的，我在训练数据上进行了测试，只是为了看看发生了什么）。所以我很确定 libsvm 结果是错误的。

是否有基于 Python 的库提供具有 GPL 或任何其他开源许可证的 SVM 实现？我遇到了一些为用 C 编码的 SVM 逻辑提供 SVM 包装器的工具，但没有一个是完全用 Python 编码的。

问候，

曼达尔