Scikit使用SVC学习错误的预测

Question

我正在尝试使用径向核的SVM预测MNIST（ http://pjreddie.com/projects/mnist-in-csv/ ）数据集。 我想训练几个例子（例如1000个）并预测更多例子。 问题在于，只要我进行预测， 除非测试集的索引与训练集的索引一致， 否则预测是恒定的。 也就是说，假设我从训练示例中以示例1：1000进行了训练。 然后，对于我的测试集的1：1000的预测是正确的（即SVM尽其所能），但是其余部分我得到相同的输出。 但是，如果我使用示例2001：3000进行训练，则仅正确地标记了与测试集中的那些行相对应的测试示例（即，不具有相同的常数）。 我完全不知所措，我认为这存在某种错误，因为与完全相同的代码在LinearSVC上可以正常工作，尽管显然该方法的准确性较低。

首先，我以示例501：1000的训练数据进行训练：

# dat_train/test are pandas DFs corresponding to both MNIST datasets
dat_train = pd.read_csv('data/mnist_train.csv', header=None)
dat_test = pd.read_csv('data/mnist_train.csv', header=None)

svm = SVC(C=10.0)
idx = range(1000)
#idx = np.random.choice(range(len(dat_train)), size=1000, replace=False)
X_train = dat_train.iloc[idx,1:].reset_index(drop=True).as_matrix()
y_train = dat_train.iloc[idx,0].reset_index(drop=True).as_matrix()
X_test = dat_test.reset_index(drop=True).as_matrix()[:,1:]
y_test = dat_test.reset_index(drop=True).as_matrix()[:,0]
svm.fit(X=X_train[501:1000,:], y=y_train[501:1000])

在这里您可以看到大约一半的预测是错误的

y_pred = svm.predict(X_test[:1000,:])
confusion_matrix(y_test[:1000], y_pred)

都是错误的（即常量）

y_pred = svm.predict(X_test[:500,:])
confusion_matrix(y_test[:500], y_pred)

这是我希望所有测试数据都能看到的

y_pred = svm.predict(X_test[501:1000,:])
confusion_matrix(y_test[501:1000], y_pred)

您可以使用LinearSVC检查以上所有内容是否正确！

Answer 1

默认内核是RBF，在这种情况下， gamma重要。 如果未提供gamma ，则默认情况下它是auto的，即1 / n_features。 您最好运行网格搜索以找到最佳参数。 在这里，我仅说明在给定适当参数的情况下结果是正常的。

In [120]: svm = SVC(C=1, gamma=0.0000001)

In [121]: svm.fit(X=X_train[501:1000,:], y=y_train[501:1000])
Out[121]:
SVC(C=1, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape=None, degree=3, gamma=1e-07, kernel='rbf',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False)

In [122]: y_pred = svm.predict(X_test[:1000,:])

In [123]: confusion_matrix(y_test[:1000], y_pred)
Out[123]:
array([[ 71,   0,   2,   0,   2,   9,   1,   0,   0,   0],
       [  0, 123,   0,   0,   0,   1,   1,   0,   1,   0],
       [  2,   5,  91,   1,   1,   1,   3,   7,   5,   0],
       [  0,   1,   4,  48,   0,  40,   1,   5,   7,   1],
       [  0,   0,   0,   0,  88,   2,   3,   2,   0,  15],
       [  1,   1,   1,   0,   2,  77,   0,   3,   1,   1],
       [  3,   0,   3,   0,   5,   4,  72,   0,   0,   0],
       [  0,   2,   3,   0,   3,   0,   1,  88,   1,   1],
       [  2,   0,   1,   2,   3,   9,   1,   4,  63,   4],
       [  0,   1,   0,   0,  16,   3,   0,  11,   1,  62]])

Answer 2

为SVC寻找好的参数本身就是一门艺术。 网格搜索可能会有所帮助，更好地像本文中所述的那样进行一些基于人口的培训 -我最近尝试过。 如果让它同时运行，它将比GridSearch具有更好的结果。 如果让它运行直到精度相同，它就会更快。

它还有助于制作图形：让x和y轴为C和gamma，并将预测分数绘制为颜色。 通常，您会在两条直线相交的点找到训练效果最好的V形。 同时，这一点也具有较低的C值，这是可取的，因为C决定了SVC的运行时间：高C使运行时间长。