machine-learning - SVM 分类 - 每个类别的最小输入集数量

Question

我正在尝试构建一个应用程序来检测来自网页的广告图像。一旦我检测到这些，我将不允许它们显示在客户端。

来 self 获得的帮助 this Stackoverflow question ，我认为 SVM 是实现我目标的最佳方法。

所以，我自己编写了 SVM 和 SMO。我从 UCI 数据存储库获得的数据集有 3280 个实例 ( Link to Dataset )，其中大约 400 个来自表示广告图像的类，其余的表示非广告图像。

现在我正在获取前 2800 个输入集并训练 SVM。但在查看准确率后，我意识到这 2800 个输入集中的大多数都来自非广告图像类别。所以我在那堂课上获得了非常好的准确性。

那么我在这里能做什么呢？我应该给 SVM 多少个输入集来训练以及每个类别有多少个输入集？

谢谢。干杯。 (基本上提出了一个新问题，因为上下文与我之前的问题不同。Optimization of Neural Network input data)

<小时/>

感谢您的回复。我想检查我是否正确导出广告和非广告类的 C 值。请就此向我提供反馈。

或者你可以查看文档版本here 。

您可以在此处查看 y1 等于 y2 的图表

这里 y1 不等于 y2

Answer 1

有两种方法可以解决这个问题。一种方法是平衡训练数据，使其包含相同数量的广告和非广告图像。这可以通过对 400 个广告图像进行过采样或对数千个非广告图像进行欠采样来完成。由于训练时间会随着使用的数据点数量的增加而急剧增加，因此您可能应该首先尝试对非广告图像进行欠采样，并使用 400 个广告图像和 400 个随机选择的非广告创建一个训练集。

另一个解决方案是使用加权 SVM，以便广告图像的边距误差比非广告的边距误差权重更大，对于 libSVM 包，这是通过 -wi 标志。根据您对数据的描述，您可以尝试将广告图像的重量比非广告图像重约 7 倍。