Flink SVM 90%错误分类

Question

我尝试用flink-ml svm实现做一些二进制分类.当我评估分类时,我在训练数据集上得到了大约85%的错误率.我绘制了3D数据,看起来你可以用超平面很好地分离数据.

当我试图从svm中获取权重向量时,我只看到了获取权重向量而没有截取超平面的选项​​.所以只是超平面通过(0,0,0).

我没有任何线索,错误可能是什么,并欣赏每一个线索.

val env = ExecutionEnvironment.getExecutionEnvironment
val input: DataSet[(Int, Int, Boolean, Double, Double, Double)] = env.readCsvFile(filepathTraining, ignoreFirstLine = true, fieldDelimiter = ";")


val inputLV = input.map(
  t => { LabeledVector({if(t._3) 1.0 else -1.0}, DenseVector(Array(t._4, t._5, t._6)))}
)


val trainTestDataSet = Splitter.trainTestSplit(inputLV, 0.8, precise = true, seed = 100)
val trainLV = trainTestDataSet.training
val testLV = trainTestDataSet.testing

val svm = SVM()

svm.fit(trainLV)

val testVD = testLV.map(lv => (lv.vector, lv.label))
val evalSet = svm.evaluate(testVD)

// groups the data in false negatives, false positives, true negatives, true positives
evalSet.map(t => (t._1, t._2, 1)).groupBy(0,1).reduce((x1,x2) => (x1._1, x1._2, x1._3 + x2._3)).print()

绘制的数据如下所示:

Answer 1

SVM 分类器不会提供到原点的距离（又称偏差或阈值），因为这是预测器的参数。不同的阈值将导致不同的精度和召回指标，并且最佳值取决于具体用例。通常我们使用ROC（接受者操作特征）曲线来找到它。

相关属性SVM有（来自Flink 文档）：

• ThresholdValue - 设置测试/预测的阈值。下面的输出被分类为负，上面的输出被分类为正。默认值为 0。
• OutputDecisionFunction - 将其设置true为输出到分离平面的距离而不是二元分类。

ROC曲线

如何找到最佳阈值本身就是一门艺术。在不了解有关问题的更多信息的情况下，您始终可以做的就是针对不同的阈值绘制 ROC 曲线（真阳性率与假阳性率），并查找与随机猜测距离最大的点（斜率为 0.5 的直线）。但最终阈值的选择还取决于域中误报的成本与误报的成本。以下是来自维基百科的三个不同分类器的 ROC 曲线示例：

要选择初始阈值，您可以对训练数据（或其样本）进行平均：

  // weights is a DataSet of size 1
  val weights = svm.weightsOption.get.collect().head
  val initialThreshold = trainLV.map { lv =>
    (lv.label - (weights dot lv.vector), 1l)
  }.reduce { (avg1, avg2) =>
    (avg1._1 + avg2._1, avg1._2 + avg2._2)
  }.collect() match { case Seq((sum, len)) =>
    sum / len
  }

然后循环改变它，测量测试数据的 TPR 和 FPR。

其他超参数

请注意，SVM训练器还具有需要调整以获得最佳预测性能的参数（称为超参数）。有很多技术可以做到这一点，这篇文章太长了，无法列出它们。我只是想让你注意这一点。如果您感到懒惰，请参阅维基百科上的链接：超参数优化。

其他尺寸？

如果您现在不想处理阈值，那么可以（某种程度上）进行黑客攻击。您可以将偏差塞入特征向量的另一个维度，如下所示：

val bias = 10 // choose a large value
val inputLV = input.map { t =>
  LabeledVector(
    if (t._3) 1.0 else -1.0,
    DenseVector(Array(t._4, t._5, t._6, bias)))
}

这里有一个关于为什么你不应该这样做的很好的讨论。基本上问题是偏差会参与正则化。但在机器学习中，没有绝对的真理。