神經網絡，不支持SVM的好結果;值得關注？

Question

我精心收集了我正在進行的概念證明研究的數據。數據由40個不同的主題組成，每個主題都有60個時間間隔測量的12個參數，1個輸出參數爲0或1.因此，我構建了一個二元分類器。

我事先就知道有輸入參數和輸出之間的非線性關係，以便貝葉斯分類器的簡單感知器將無法樣品進行分類。這個假設在初始測試後證明是正確的

所以我去了神經網絡和我希望的效果還不錯。通常結果是約1-5％的誤差。培訓是通過使用70％作爲培訓和30％作爲評估來完成的。通過模型再次運行完整的數據集（100％），我對結果非常滿意。下面是一個典型的混淆矩陣（P =正，N =負）：

P N 
P 13 2 
N 3 42 

因此，我很高興，並與我使用的30％用於評價的概念我確信我不嵌合的噪聲。

因此我決定支持向量機的雙重檢查和SVM無法收斂到一個很好的解決方案。大多數時候解決方案都很糟糕（比如90％的錯誤......）。也許我並不完全知道SVM或實現是不正確的，但它讓我感到困擾，因爲我認爲當NN提供了一個好的解決方案時，由於它們的最大邊界超平面，SVM在分離數據方面大部分時間更好。

這對我的結果有什麼影響？我適合噪音嗎？我怎麼知道這是否是正確的結果？

我使用Encog進行計算，但NN效果媲美土生土長的NN模型我做了。

Answer 1

如果這是您第一次使用SVM，我強烈建議您參閱着名的SVM包libsvm的作者A Practical Guide to Support Vector Classication。它給出了一系列建議來訓練您的SVM分類器。

• 變換數據到一個SVM包的格式
• 行爲簡單的縮放的數據
• 考慮RBF核
• 使用交叉驗證來ND的最佳參數C和γ
• 使用最佳參數C和γ
• 訓練整套訓練集
• 測試

總之，嘗試縮放數據並仔細選擇內核和參數。