sklean SVM / SVC 总是为任何给定的输入预测相同的类

Question

我正在尝试使用语音数据训练 SVM，此处使用 RAVDESS 数据集，您可以在此处找到： https ://www.kaggle.com/uwrfkaggler/ravdess-emotional-speech-audio

这个数据集有 24 个目录，但我只使用了前 20 个目录。

首先，我正在导航并将这 20 个目录中所有文件的目录路径保存到一个数组中。

然后我遍历数组并将类保存到另一个数组中，并使用 OPENSMILE 提取音频文件的特征。 我将这些功能保存在一个如下所示的数据框中：

数据帧的头部（）

我可以看到这些类在某种程度上是平衡的：

>>from collections import Counter
>>print(Counter(klass).keys()) # equals to list(set(words))
>>print(Counter(klass).values()) # counts the elements' frequency

dict_keys(['neutral', 'calm', 'happy', 'sad', 'angry', 'fearful', 'disgust', 'surprised'])
dict_values([76, 152, 152, 152, 152, 152, 152, 152])

接下来，我正在预处理和规范化数据帧：

from sklearn.preprocessing import StandardScaler

x2 = x.copy() #lässt x unangetastet
x2.drop(["file","start","end"], axis = 1,inplace = True)

scaler = StandardScaler()
print(scaler.fit(x2))
x3 = scaler.transform(x2)
x3 = pd.DataFrame(x3)

现在我开始用这个训练 SVM：

dfx = x3.copy()
dfy = klass

from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(dfx, dfy, test_size = 0.20,random_state = 1)

当然还有优化超参数：

from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV

PARAM_GRID = {"C":[0.001,0.01,0.1,1,10,100]
              ,"kernel":["rbf","poly","sigmoid","linear"]
              ,"degree":[0,1,2,3,4,5,6,7,8,9]
              ,"gamma":[1,0.1,0.01,0.001]
             }


grid = GridSearchCV(SVC(class_weight='balanced',probability=True, random_state=1),PARAM_GRID)
grid.fit(X_train,Y_train)

之后，我正在检查看起来相当不错的最佳参数和分数。 不算太差，但我觉得还不错。

>>print(grid.best_params_)
>>print("Accuracy Training: ",grid.score(X_train,Y_train))
>>print("Accuracy Test: ",grid.score(X_test,Y_test))

{'C': 10, 'degree': 0, 'gamma': 0.01, 'kernel': 'rbf'}
Accuracy Training:  0.9857456140350878
Accuracy Test:  0.6271929824561403

我也在打印一个混淆矩阵：

from sklearn.metrics import classification_report, confusion_matrix
Y_pred = grid.predict(X_test)
print(confusion_matrix(Y_test,Y_pred))
print(classification_report(Y_test,Y_pred))

到现在为止还挺好。 我已经提取了特征并使用 EMotion 分类训练了 SVM。 现在我想预测模型未知的新音频文件的情感。 这里我从 RAVDESS 数据集的第 24 个目录中随机选择一个音频文件。 这就是问题所在！

import random
Xnew = pd.DataFrame()
EvalFile = glob.glob('{}\**\*24.wav'.format(PATH_RAVDESS),recursive=True)
rdfile = EvalFile[random.randint(0, len(EvalFile)-1)]

Xnew = Xnew.append(smile.process_file(rdfile))
Xnew = Xnew.reset_index()
Xnew.drop(["file","start","end"], axis = 1,inplace=True)

#Standardising is skipped because it makes no sense with one file

Ynew = grid.predict(Xnew)
print("File=%s \nPredicted=%s" % (rdfile, Ynew))

选择哪个文件并不重要。 该模型总是预测同一类“生气”。

我究竟做错了什么？

Answer 1

你在代码中评论：

#Standardising is skipped because it makes no sense with one file

标准化不仅确实是有道理的（即使是一个单一的文件），它也是不可选; 由于您的模型已经使用标准化数据进行了训练，因此它期望此类标准化数据用于未来的任何预测。 不这样做可能会导致您描述的行为。

所以，在预测你的Xnew之前，你应该用你已经安装的scaler转换它：

Xnew = scaler.transform(Xnew)
Ynew = grid.predict(Xnew)