matlab - lib Linear 的 50% 准确度问题

Question

我对 Liblinear/Libsvm 很陌生，这里遇到了一个好问题。

我有非常大的训练数据(2.883.584 个高度不平衡的样本，每个样本都是 21 维)，还有用于测试的大数据(262.144 个样本也有 21 维)。我使用 LIBSVM(或 LibLinear)的线性内核实现，因为我的数据具有大数据性质。文献警告我使用 RBF 核处理这些数据的问题。

我的问题是:无论我做什么，分类器都只预测一个类(样本较多的类，或者我实验中的负类)。

到目前为止我尝试过:

1-训练平衡和不平衡数据，不缩放数据，不选择参数。

2-训练平衡和不平衡数据，使用不同范围([-1,1]和[0,1])缩放数据，但不选择参数。

3-训练平衡和不平衡数据，通过参数选择将数据缩放到不同范围([-1,1]和[0,1])。

所有这些实验的准确率都是 81%，但这些正确的预测都来自负类。所有正类都被线性支持向量机错误分类。

.model 文件非常奇怪，如下所示:

solver_type L2R_L2LOSS_SVC_DUAL
nr_class 2
label 1 -1
nr_feature 21
bias -1
w
0 
0 
nan 
nan 
0 
0 
0 
0 
0 
nan 
nan 
0 
0 
0 
0 
0 
nan 
nan 
0 
0 
0 

当我通过网格搜索进行参数选择时，最佳 C 总是为我提供 50% 的 5 倍交叉验证最佳准确度。这就是我在 Matlab 中进行网格搜索的方法:

for log2c = 1:100,
    cmd = ['-v 5 -c ', num2str(2^log2c)];
    cv = train(label, inst, cmd);
    if (cv >= bestcv),
        bestcv = cv; bestc = 2^log2c; 
    end
    fprintf('%g %g (best c=%g, rate=%g)\n', log2c, cv, bestc, bestcv);
end

编辑:这是我的训练数据的一个正样本和负样本:

 1  1:4.896000e+01 2:3.374349e+01 3:2.519652e-01 4:1.289031e+00 5:48 6:4.021792e-01 7:136 8:4.069388e+01 9:2.669129e+01 10:-3.017949e-02 11:3.096163e+00 12:36 13:3.322866e-01 14:136 15:4.003704e+01 16:2.168262e+01 17:1.101631e+00 18:3.496498e+00 19:36 20:2.285381e-01 21:136 
-1  1:5.040000e+01 2:3.251025e+01 3:2.260981e-01 4:2.523418e+00 5:48 6:4.021792e-01 7:136 8:4.122449e+01 9:2.680350e+01 10:5.681589e-01 11:3.273471e+00 12:36 13:3.322866e-01 14:136 15:4.027160e+01 16:2.245051e+01 17:6.281671e-01 18:2.977574e+00 19:36 20:2.285381e-01 21:136 

这是我的测试数据的一个正样本和负样本:

 1  1:71 2:2.562365e+01 3:3.154359e-01 4:1.728250e+00 5:76 6:0 7:121 8:7.067857e+01 9:3.185273e+01 10:-8.272995e-01 11:2.193058e+00 12:74 13:0 14:121 15:6.675556e+01 16:3.624485e+01 17:-1.863971e-01 18:1.382679e+00 19:76 20:3.533593e-01 21:128 
-1  1:5.606667e+01 2:2.480630e+01 3:1.291811e-01 4:1.477127e+00 5:65 6:0 7:76 8:5.610714e+01 9:3.602092e+01 10:-9.018124e-01 11:2.236301e+00 12:67 13:4.912373e-01 14:128 15:5.886667e+01 16:3.891050e+01 17:-5.167622e-01 18:1.527146e+00 19:69 20:3.533593e-01 21:128 

我的数据有问题吗？我应该增加网格搜索中的 C 范围吗？或者我应该使用另一个分类器？

Answer 1

对于不平衡的情况，假阳性和假阴性错误的成本不一样，因此正类和负类的惩罚应该不同。您可能需要为每个类别选择权重 C+ 和 C-。如果负模式多于正模式，那么您可能想让 C+ 大于 C−

model = svmtrain(trainLabels, trainFeatures, '-h 0 -b 1 -s 0 -t 0 -c 10 -w1 C+ -w-1 C-');

通常C+ * N+ = C- * N-其中N+和N-分别是正类和负类的样本数。

还要确保您选择正确的 options 。对于您的训练样本数远大于特征数的情况，线性内核是您在帖子中所说的最佳选择。