單類支持向量機靈敏度在訓練樣本數量增加時下降

-4

我使用單類SVM進行異常檢測。似乎隨着訓練樣本數量的增加，一類SVM檢測結果的靈敏度TP /（TP + FN）下降，分類率和特異性都增加。單類支持向量機靈敏度在訓練樣本數量增加時下降

用超平面和支持向量來解釋這種關係的最好方法是什麼？

感謝

2014-07-02 leon

你有越多的訓練實例，少你的分類能夠正確地檢測真陽性。

這意味着新數據不適合您正在訓練的模型。

這是一個簡單的例子。

下面你有兩個類，我們可以很容易地使用線性內核來分離它們。藍色類的靈敏度爲1

enter image description here

正如我添加的決定邊界附近更黃的訓練數據，所生成的超平面不能擬合數據以及之前。

因此，我們現在看到有兩個錯誤分類的藍色數據點。藍色類的靈敏度現在0.92

enter image description here

是作爲訓練數據的數量增加時，支持向量產生稍差最佳超平面。也許由於額外的數據，線性可分數據集變得非線性可分。在這種情況下嘗試不同的內核，比如RBF內核可以提供幫助。

編輯：添加更多的信息有關RBF內核：

In this video你可以看到一個帶有RBF內核發生什麼。同樣的邏輯適用，如果訓練數據不容易在n維中分離，那麼結果會更差。

您應該嘗試使用交叉驗證來選擇更好的C語言。

在this paper，圖3說明，如果C選擇不正確的結果可能會更糟：如果我們不挑一個合適的C.我們需要交叉

更多的訓練數據可能會傷害驗證正確的C以產生良好的結果

2014-07-07 21:45:43 alexandrekow

嗨@alexandrekow，謝謝你的回答。我正在使用RBF內核，仍然有這個問題。 – leon

我更新了我的答案。 – alexandrekow

回答