SVM + matlab和libsvm的准确度非常低

Question

我无法想象通过在语音向量上运行svm获得的低精度。 我已经交叉验证数据没有错，甚至在它上面使用了一个naives bayes分类器来获得良好的结果。

首先，我应该提一下，我已经确认我没有使用相同的文件进行培训和测试。

我有一组用于培训的正面和负面类的数据

  pos = ones(size(PositiveTraining,1),1);
  neg = ones(size(NegativeTraining,1),1)*-1;



  Training = [ PositiveTraining ; NegativeTraining ];
  TrainingLabels = [pos;neg];

  model = svmtrain( TrainingLabels , Training, '-t 0' );

在获得模型后，我使用以下代码测试向量

testing_label_vector = ones(size(mfcc,1),1); % where mfcc is my testing matrix
[predicted_label, a, b ] = svmpredict(testing_label_vector, File.mfcc, model );
edges = [-1,1];
hist = histc( predicted_label , edges )

但是我发现最大精度在0％到13％之间。

有什么事我做错了吗？

假设数据是正确的，有人可以建议我如何提高分类器的准确性吗？

Answer 1

您需要进行参数选择 - 您只需使用默认参数。 SVM对其参数非常敏感。 线性内核没有参数，但您仍然有惩罚参数C.此参数在较大的边距和错误分类的训练点之间进行折衷。 较大的C意味着分类器将尝试正确地对所有训练点进行分类，但这可能不会很好地概括。 较小的C将允许某些点被错误分类以提供对噪声不太敏感的模型。 C的值对于每个数据集都是不同的，因为它在很大程度上取决于缩放和分布等。您的数据集也可能不是线性可分的，即使对于较低的C值，所以非线性内核可能会更好地工作比如RBF内核，这很受欢迎。 但是，请记住，这些内核有更多参数，必须调整它们才能正常工作。

阅读libsvm作者撰写的指南，它讨论了如何进行参数选择，并提供了使用SVM进行分类的其他实用技巧。

Chih-Wei Hsu，Chih-Chung Chang和Chih-Jen Lin 支持矢量分类的实用指南