我正在使用PyML进行 SVM 分类。但是，我注意到当我使用 LOO 评估多类分类器时，结果对象不会报告灵敏度和 PPV 值。相反，它们是 0.0：
from PyML import *
from PyML.classifiers import multi
mc = multi.OneAgainstRest(SVM())
data = VectorDataSet('iris.data', labelsColumn=-1)
result = mc.loo(data)
result.getSuccessRate()
>>> 0.95333333333333337
result.getPPV()
>>> 0.0
result.getSensitivity()
>>> 0.0
我查看了代码，但无法弄清楚这里出了什么问题。有人有解决方法吗？
我想知道LinearSVC默认情况下是否支持多类分类还是我们必须OneVsRestClassifier像这样包装它 ：
OneVsRestClassifier(LinearSVC())
我想在 ksvm 中调整参数 C。现在我想知道这个 C 是如何定义的。C的定义是
违反约束的成本（默认值：1）这是拉格朗日公式中正则化项的“C”常数。
这是否意味着 C 越大，允许的错误分类越多？
我似乎无法找到关于svmLinear和svmLinear2之间的区别如下页面。
有什么不同？
我无法让我的 SVM 预测我期望的 0 和 1。似乎在我训练它并给它更多数据之后，它总是想预测一个 1 或一个 0，但它会预测全 1 或全 0，而不是两者的混合。我想知道你们中是否有人能告诉我我做错了什么。
我搜索过“svm 总是预测相同的值”和类似的问题，对于我们这些机器学习新手来说，这看起来很常见。恐怕我不明白我遇到的答案。
所以我从这个开始，它或多或少是有效的：
from pyspark.mllib.regression import LabeledPoint
cooked_rdd = sc.parallelize([LabeledPoint(0, [0]), LabeledPoint(1, [1])])
from pyspark.mllib.classification import SVMWithSGD
model = SVMWithSGD.train(cooked_rdd)
我说“或多或少”是因为
model.predict([0])
Out[47]: 0
是我所期望的，而且......
model.predict([1])
Out[48]: 1
也是我所期望的，但是......
model.predict([0.000001])
Out[49]: 1
绝对不是我所期望的。我认为无论是什么原因造成的都是我问题的根源。
在这里，我首先处理我的数据......
def cook_data():
x = random()
y = random()
dice = 0.25 + (random() * 0.5)
if x**2 + y**2 > dice:
category = 0
else:
category = 1
return LabeledPoint(category, [x, y])
cooked_data = …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。问题是，无论我何时进行预测，除非测试集的索引与训练集的索引一致。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，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，那么只有与测试集中的那些行相对应的测试示例才被正确标记（即，不具有相同的常数）。我完全不知所措，我认为这里存在某种错误，因为与LinearSVC完全相同的代码可以正常工作，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！
这是我使用非线性 SVM 进行数字分类的代码。我应用交叉验证方案来选择超参数c和gamma。但是，GridSearch 返回的模型没有n_support_获取支持向量数量的属性。
from sklearn import datasets
from sklearn.cross_validation import train_test_split
from sklearn.grid_search import GridSearchCV
from sklearn.metrics import classification_report
from sklearn.svm import SVC
from sklearn.cross_validation import ShuffleSplit
# Loading the Digits dataset
digits = datasets.load_digits()
# To apply an classifier on this data, we need to flatten the image, to
# turn the data in a (samples, feature) matrix:
n_samples = len(digits.images)
X = digits.images.reshape((n_samples, -1))
y = digits.target
# Split the dataset …我有两个数据集，trainig 和 test。它们有标签“1”和“0”。我需要在 scikit learn 中使用带有“rbf”内核的“oneClassSVM”算法来评估这些数据集。我加载了训练数据集，但我不知道如何使用测试数据集对其进行评估。下面是我的代码，
from sklearn import svm
import numpy as np
input_file_data = "/home/anuradha/TrainData.csv"
dataset = np.loadtxt(input_file_iris, delimiter=",")
X = dataset[:,0:4]
y = dataset[:,4]
estimator= svm.OneClassSVM(nu=0.1, kernel="rbf", gamma=0.1)
请有人能帮我解决这个问题吗？
我对机器学习比较陌生，希望在以下方面得到一些帮助：
我使用 10 倍交叉验证对我的数据运行了支持向量机分类器 (SVC)，并计算了准确度得分（约为 89%）。我正在使用 Python 和 scikit-learn 来执行任务。这是一个代码片段：
def get_scores(features,target,classifier):
X_train, X_test, y_train, y_test =train_test_split(features, target ,
test_size=0.3)
scores = cross_val_score(
classifier,
X_train,
y_train,
cv=10,
scoring='accuracy',
n_jobs=-1)
return(scores)
get_scores(features_from_df,target_from_df,svm.SVC())
现在，我如何使用我的分类器（在运行 10 倍 cv 之后）在 X_test 上对其进行测试并将预测结果与 y_test 进行比较？您可能已经注意到，我在交叉验证过程中只使用了 X_train 和 y_train。
我注意到 sklearn 有 cross_val_predict：http : //scikit-learn.org/stable/modules/generated/sklearn.model_selection.cross_val_predict.html 我应该用 cross_val_predict 替换我的 cross_val_score 吗？仅供参考：我的目标数据列是二值化的（值为 0 和 1）。
如果我的方法是错误的，请告诉我最好的处理方法。
谢谢！
如前所述在这里，我知道，coef0在使用polynomial和sigmoid内核功能SVM。但是这个系数的确切影响是什么？