无法理解 SVM 返回的混淆矩阵

Posted 2023-03-13

【中文标题】无法理解 SVM 返回的混淆矩阵

【英文标题】：Unable to make sense of the confusion matrix returned by SVM

【发布时间】：2018-11-20 06:10:19

【问题描述】：

我试图了解为什么 SVM 分类器无法正确分类我的数据。我仅在原始数据的 2000 个样本中提供了 10 个样本XX。我无法理解 Matlab 返回的混淆矩阵。我使用了 SVM 分类器。我的代码错了吗，尤其是我做交叉验证的方式？

XX 被规范化为X，Y 是标签。每个特征向量的长度为 8。

**问题**）有人可以帮忙解决这个问题吗？

             pred 0   pred 1
  actual 0    100       0
  actual 1    100       0

谢谢

【参考方案1】：

你有：

一个不平衡的数据集（7 个和 3 个样本）， 一个 8 维特征空间，只有 7 个和 3 个样本，这远远不足以填充它（参见维度诅咒），并且 您只使用这些样本的一半进行训练，这意味着您离填充特征空间还有更远的距离。

因此，我并不惊讶 SVM 提出的概括是将所有事物归类为“0 类”。

尝试仅使用其中一个功能（XX 的第一列），并使用留一法交叉验证。

【讨论】：

感谢您的回答。我尝试了您的建议，这些是结果（1）我使用了最后 2 个功能（第 7 列和第 8 列），其准确性为 60%，混淆矩阵为`[100, 0;100, 0]`（2）更改了交叉验证通过执行N = numel(Y);part = cvpartition(N,'LeaveOut')离开一个人

但这会引发错误 Error using internal.stats.cvpartitionImpl/training (line 189) Requires two input arguments. Error in cvpartition/training (line 209) ` trainIndices = training(cv.Impl,varargin:);` Error in demo_SVM_Modif (line 41) istrain = training(part); % Data for fitting 我不知道进行 LeaveOut 交叉验证的正确方法。你能帮忙吗？谢谢