为什么在R中训练SVM时会得到相同的错误值？

在R中训练SVM时得到相同的错误值可能有以下几个可能的原因：

数据预处理问题：在训练SVM之前，需要对数据进行预处理，包括数据清洗、特征选择、特征缩放等。如果没有正确进行数据预处理，可能会导致相同的错误值。建议使用R中的数据处理库（如dplyr、tidyverse等）对数据进行预处理。
参数设置问题：SVM算法有一些参数需要设置，如核函数类型、正则化参数等。如果参数设置不当，可能会导致相同的错误值。建议使用R中的SVM库（如e1071、kernlab等）提供的默认参数进行训练，或者根据具体情况调整参数。
数据不平衡问题：如果训练数据中正负样本比例严重不平衡，可能会导致相同的错误值。建议使用R中的数据平衡技术（如欠采样、过采样等）来处理不平衡数据。
特征选择问题：如果选择的特征不具有区分度，可能会导致相同的错误值。建议使用R中的特征选择方法（如方差选择、相关性选择等）来选择具有区分度的特征。
模型评估问题：在训练SVM之后，需要对模型进行评估，如计算准确率、召回率等指标。如果评估方法不正确，可能会导致相同的错误值。建议使用R中的模型评估库（如caret、MLmetrics等）进行评估。

总结起来，训练SVM时得到相同的错误值可能是由于数据预处理问题、参数设置问题、数据不平衡问题、特征选择问题或模型评估问题导致的。建议在训练SVM之前，对数据进行预处理，合理设置参数，处理不平衡数据，选择具有区分度的特征，并正确评估模型。

在支持向量机训练中惩罚误报

libsvm、encog

我正在尝试在Encog内部使用SVM训练一个二进制正/负分类器。在这个特定的例子中，数据集是高度不平衡的，负面例子超过正面例子的数量大约是30:1。在模型的训练中，我故意对负面案例进行欠采样，以大致平衡给予模型的正面/负面案例，这种方法在我处理其他问题时效果很好。然而，在这种情况下，最终模型最终具有不可接受的高误报率，当在不平衡的测试集上测试时，误报的数量超过了真阳性的数量。对于如何训练以降低误报率有什么建议吗？使用不平衡的数据(或更接近观察到的平衡)进行训练将减少总体积极预测的数量，但它似乎不会增加真阳性与假阳性的比率。

浏览 4提问于2015-01-14得票数 1

1回答

我还能做什么来帮助我的模型我的分类任务？

scikit-learn、multiclass-classification

我有一个分类任务，目前我得到了非常低的精度指标(我的最高精度得分约为20%)。到目前为止，我已经运行了5个模型:二次圆盘分析、logistic回归、knn、随机森林和朴素贝叶斯(高斯，但不久将尝试分类)。我用过GridSearchCV (10倍)。我的数据集有1500个数据点，不超过9个特征。我唯一的虚拟变量涵盖了性别，我已经留下了一个选项，以避免假人陷阱。我的另一个解释变量是年龄组，我对它进行了编码以保持顺序。最后，我的因变量实际上是二进制目标变量的向量(使用sklearn的多输出)。关于因变量的更多颜色:最初的特性是一个问题，它允许6种响应选择，但被调查者可以选择其中的多个。实际上，我

浏览 0提问于2023-02-27得票数 0

回答已采纳

1回答

只含二进制数的机器学习分类

r、machine-learning、data-science

我有50个预测因子和一个目标变量。我所有的预测器和目标变量都是二进制数0和1s。我正在用R进行分析。我将实现四种算法。1. RF 2. Log Reg 3. SVM 4. LDA 我有以下问题：我把它们都转化成因素。在将变量输入到我的其他算法之前，我应该如何优先对待变量。我用插入包训练我的模型，花了很长时间。我经常练习ML，但我不知道如何处理所有变量都是二进制的。如何删除共线变量？

浏览 1提问于2017-10-22得票数 0

回答已采纳

1回答

如何识别RandomForestClassifier中的过度拟合？

random-forest、decision-trees、overfitting、class-imbalance、hyperparameter-tuning

我使用RandomForestClassifier构建了一个情感分类模型。训练精度为99.65 &交叉验证(重复分层folds 5倍)，准确度为97.29。我用f1评分作为衡量标准。数据集大小为5184个样本。数据集是不平衡的，所以我使用class_weight超级参数作为“平衡”。我也做过超参数调优。以下是我调整的参数- 估计量= RandomForestClassifier(random_state=42，class_W权数=‘balanced’，n_estimators=850，min_sample_split=4，max_depth=None，min_samples_leaf=

浏览 0提问于2020-09-06得票数 -1

回答已采纳

1回答

GATE工具中的机器学习

machine-learning、svm、gate

在使用GATE工具对训练数据运行机器学习算法(SVM)后，我想在测试数据上对其进行测试。我的问题是，我是否应该使用相同的训练数据进行测试，同时，模型如何从测试数据中提取实体，而测试数据没有使用训练数据中学习到的注释进行注释。我遵循了这个链接上的教程，但在最后，当它谈到将数据集拆分为训练和测试时，它有点令人困惑。

浏览 2提问于2014-08-28得票数 0

2回答

不平衡数据集评价指标的解释

machine-learning、classification、class-imbalance

我目前正在处理一个严重不平衡的数据集的分类问题。更具体地说，它是一个包含大约290 k行数据的欺诈检测数据集，0类(非欺诈)的分布率为99.8%，1类(欺诈)的分布率为0.17%。我一直使用XGBoost，随机森林和LightBGM作为我的预测模型。我还尝试以不同的方式运行这些模型，方法是调优类权重并重新对数据集进行重采样，以使其达到平衡的规模。此外，我使用F1评分、ROC-AUC评分和精确召回曲线作为我的主要度量标准，因为其他指标似乎不能代表不平衡数据集上的结果。然而，在我的训练数据上，我仍然显得过于贴切。在所有场景中，我的训练集的F1-分数、ROC-AUC分数和精确召回曲线的AP值要么

浏览 0提问于2023-04-04得票数 0

1回答

提高不平衡大数据集的查准率和查全率

machine-learning、classification、random-forest、logistic-regression、class-imbalance

我有一个100万点的数据集和30个特征。输出变量有多个类(1到n)，但我感兴趣的问题仅涉及输出是否属于类1或其他。因此，我把这个问题转化为一个二元分类问题。由于数据量大，使用sklearn的基于直方图的梯度增强分类器提供了一个训练速度快的模型，特别是用于使用交叉验证的超参数调优。但我意识到我的数据集是不平衡的(10% 1's和90% 0's)。因此，我尝试其他分类器来提高性能。HistGradientBoostingClassifier目前没有平衡权重选项。我尝试了一个简单的逻辑回归平衡的班级权重。我尝试了各种正则化参数，但精度在15%左右，召回率在62%左右。由于参数变化

浏览 0提问于2022-01-06得票数 0

1回答

为什么modeltime_table使用的模型在应用modeltime_fit_resamples时要根据训练数据进行调整?(建模时)

r、time-series、tidymodels

当通过模型时间/ tidymodels框架处理时间序列时，提出了以下工作流来验证模型的交叉验证性能。 library(modeltime) library(modeltime.resample) library(tidyverse) library(timetk) resamples_tscv <- time_series_cv( data = m750, assess = "2 years", initial = "5 years", skip = "2 years&

浏览 6提问于2021-02-03得票数 2

回答已采纳

1回答

提高高度不平衡数据集的精度

machine-learning-model、imbalanced-learn

我需要一些建议来提高我的模型的准确性。训练数据的形状为：(166573，14) 📷 它有所有int列和float列。我已经删除了claims_daysaway列，因为大多数值都是NaN，并将Nan值替换为mean列。 X_train = train.drop(['outcome','testindex','claims_daysaway'], axis=1) y_train = train['outcome'] 📷 由于值在不同的尺度上，我使用StandScaler()对值进行标准化。 📷 此数据集高度不平衡。列车“结果”.v

浏览 0提问于2019-04-21得票数 1

1回答

如果我随机抽样培训数据，我应该如何取样我的验证集？

deep-learning、dataset

我有：大小为150 K的训练数据集。大小为19k的验证数据集。在每个时代，我随机抽样，没有替换10k数据点进行训练，因为我摆脱了Mem错误。我也需要降低我的验证集的样本。下列哪一种方法似乎最合适：随机抽样验证集，为10k的x%，并在每个时代使用相同的集。随机抽样验证集，每一时期为10k的x%。

浏览 0提问于2020-11-11得票数 0

1回答

scikit学习RandomForestClassifier产生“意想不到的”结果

machine-learning、classification、scikit-learn、random-forest

我正在尝试使用sk-learn的RandomForestClassifier来执行二进制分类任务(正例和反例)。我的训练数据包含1.177.245个样本和40个特征，采用支持向量机-light格式(稀疏向量)，我使用sklearn.dataset的load_svmlight_file加载。它产生一个“特征值”的稀疏矩阵(1.177.245 * 40)和一个“目标类”数组(1和0，其中1.177.245 )。我不知道这是否令人担忧，但训练数据有3552个正面，其余都是负面的。由于sk-learn的RFC不接受稀疏矩阵，我将稀疏矩阵转换为密集数组(如果我说的对吗？许多0表示缺少的特性)，使用.t

浏览 1提问于2012-09-11得票数 1

回答已采纳

3回答

如何评估数据挖掘模型？

data-mining、regression、decision-trees

我将评估我建立的分类模型。这就是逻辑回归和决策。我用什么标准来比较？假设模型选择的标准是ASE。训练数据ASE高，测试数据ASE低，训练数据ASE低，测试数据ASE高。如果您选择一个模型，您会选择哪些模型？

浏览 0提问于2018-06-02得票数 1

回答已采纳

1回答

学习OneClassSVM和RandomizedSearchCV："ValueError：'f‘不在列表中“

python、scikit-learn

我试着训练一种用于异常检测的支持向量机。我想用随机搜索来调优我的模型。我设定了我的模型参数的范围。然而，我得到了这个错误，我没有找到它的原因。ValueError：'f‘不在列表中在加载我的数据和相关库之后。我指定支持向量机模型的细节如下： param_dist = {"kernel":"rbf", "gamma" : np.logspace(-9, 3, 13), "nu" : np.linspace(0.01, 0.99, 99)} clf = svm.One

浏览 0提问于2019-05-02得票数 1

回答已采纳

2回答

不平衡数据集的定义是什么？

multiclass-classification、class-imbalance

我有数千个数据源，从类似类型的硬件中生成数据。然而，不同的来源在数据集中产生了不同的动态！尽管这些特性是相同的，但是数据集具有非常不同的特性。我正在研究一个多类分类问题，试图了解可以使用多少特定的模型来处理该领域。不同数据源上的类数不同，因此需要建立不同的模型。这意味着，在最后，我有许多不同的模型要评估。类似的输入，但在输出时要预测的类数是不同的。由于这是一个多类分类问题，所以使用了混淆矩阵和多条ROC曲线。现在，我正试图在更多的细节中，看看在最糟糕的模型中，是什么导致了糟糕的表现。通常的原因是:1.测量不够；2.严重不平衡的数据集；3. 1和2的组合问题是，对于多类问题(什么是不

浏览 0提问于2019-12-09得票数 3

3回答

随机森林分类器- KFold CV调很深的树->过配？

machine-learning、random-forest、cross-validation、class-imbalance

我正在对python中的随机森林进行调优，并想知道我的模型是否/为什么过于合适。数据集描述如下： 1700例阳性病例/ 54000例总病例~ 3.2% (不平衡) 50个数字特征，~450标签/热编码特征(后数据缩减) 10 hold使用85%的数据，15%用于最终测试分类度量= AUC或F1 (由于数据不平衡) 我得到的结果倾向于建议使用非常深的树，即深度18，不限制每次分割的样本数=2(默认)。在这种情况下，列车AUC为99.9%，最大测试AUC为84%。在树的最大深度上，我的分数几乎是单调增加的。考虑到结果和树有多深-我怀疑这个模型太合适了？如果是这样的话，为什么我不观察到在深度和mi

浏览 0提问于2018-06-19得票数 3

1回答

结合反馈以重新训练WordToVec以查找文档相似度

machine-learning、deep-learning、gensim、cosine-similarity

我已经在文本语料库上训练了Gensim的WordToVec，将其转换为DocToVec，然后使用余弦相似度来查找文档之间的相似度。我需要建议类似的文档。现在假设在针对特定文档的前5个建议中，我们手动发现其中3个不是similar.Can。这个反馈是否可以纳入到重新训练模型中？

浏览 14提问于2019-06-17得票数 0

1回答

如何使用支持向量机将卡方值用于文本分类？

svm、text-classification、chi-squared

对于文本分类问题，我既有肯定的训练文档，也有否定的训练文档。我计划为每个文档中的每个特征计算卡方值。有了这个值，我如何使用SVM进行分类？分类的阈值是多少？

浏览 0提问于2016-10-27得票数 0

1回答

支持向量机LibSVM在预测时忽略特征1,3,5

matlab、svm、libsvm、prediction、feature-selection

这个问题是关于LibSVM或SVM的。我想知道是否有可能用相同的SVM模型对不同长度的特征向量进行分类。假设我们用以下特征向量的大约1000个实例训练支持向量机: feature1 feature2 feature3 feature4 feature5 现在我想预测一个相同长度为5的测试向量。如果我收到的概率太低，我现在想检查包含第2-5列的测试向量的第一个子集。因此，我想取消1的功能。我现在的问题是:是否可以告诉SVM只检查特征2-5进行预测(例如，使用权重)，或者我是否必须训练不同的SVM模型。一个对应5个特性，另一个对应4个特性，依此类推...？先谢谢你... 马库斯

浏览 2提问于2013-05-08得票数 1

回答已采纳

1回答

Matlab的交叉方法是否尊重类频率？

classification、cross-validation、svm、matlab

Matlab的crossval方法在(二进制)分类中是否尊重类的频率？ Matlab中的大多数分类模型提供了计算的可能性。例如，当使用svm=fitcsvm(X,y);训练线性支持向量机时，可以通过调用cv=crossval(svm);来计算交叉验证模型。(这里是方法的文档。)该交叉验证模型可用于估计训练过程的泛化误差。现在我的问题是:当划分训练数据时，crossval是否考虑了课程的频率？例如，对于0类，我们的观测$X_0$可能是第1类的5倍，那么数据的分区版本对于每个类是否有相同的观测比率(在我的示例中是5:1)？还是完全忽略了这一点，原因是如果数据集足够大，分区很可能具有大致相同的相对

浏览 3提问于2018-01-29得票数 2

回答已采纳

2回答