名义上这是一个好问题，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% 的准确度似乎令人难以置信（并不是说在大多数应用程序中这是合理的......）。我猜测数据集中存在一些一致的偏差，这使得 SVM 过于容易地得出答案，=或者=，更有可能的是，我在 SVM 方面做错了一些事情。
我正在寻找建议来帮助理解正在发生的事情——是我吗（=我对 LibSVM 的使用）？或者是数据？
细节：
- 大约 2500 个标记数据向量/实例（个人的转换视频帧 - 总共
- 运行subset.py 将数据分为测试（500 个实例）和训练（剩余）。
- 运行“svm-train -t 0”。 （注意：显然不需要“-w1 1 -w-1 4”...）
- 对测试文件运行 svm-predict。准确率=100%！
尝试过的事情：
- 通过一些无意的命令行参数错误检查了大约 10 次，我没有在相同的数据文件上进行训练和测试
- 重新运行subset.py（即使使用-s 1）多次，并且只训练/测试多个不同的数据集（以防我随机地使用最神奇的训练/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 对精度没有影响（精度=100%）。 （尽管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”）会导致准确率变成垃圾（？！）
- （健全性检查）使用针对未缩放数据集在缩放数据集上训练的模型运行 svm-predict 会导致准确度 = 80%（即，它总是猜测主导类）。这是严格的健全性检查，以确保 svm-predict 名义上在我的机器上正常运行。
暂定结论？：
数据中的某些东西是奇怪的——不知何故，在数据集中，支持向量机正在捕捉到一种微妙的、由实验者驱动的效应。
（然而，这并不能解释为什么 RBF 内核在第一遍时给出垃圾结果。）
如果有任何建议，我将不胜感激：a）如何修复我对 LibSVM 的使用（如果这确实是问题）或 b）确定 LibSVM 在数据中发现了哪些微妙的实验者偏差。
另外两个想法：
确保您没有使用相同的数据进行训练和测试。这听起来有点愚蠢，但在计算机视觉应用中，您应该注意：确保您没有重复数据（例如同一视频的两帧落在不同的折叠上），您不是在同一个人上进行训练和测试等等。它比听起来更微妙。
确保搜索 RBF 内核的 gamma 和 C 参数。有很好的理论（渐近）结果证明线性分类器只是一个退化的 RBF 分类器。所以你应该寻找一个好的（C，gamma）对。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
