NN的结果不错，而不是SVM;值得关注？

Question

我精心收集了我正在进行的概念验证研究的数据。数据由40个不同的主题组成，每个主题有60个参数，每隔60个时间间隔测量，1个输出参数为0或1.所以我正在建立一个二元分类器。

我事先知道输入参数和输出之间存在非线性关系，因此贝叶斯分类器的简单感知器无法对样本进行分类。初步测试后证明这个假设是正确的。

因此我去了神经网络，因为我希望结果非常好。通常导致约1-5％的误差。培训使用70％作为培训，30％作为评估。通过模型再次运行完整数据集（100％）我对结果非常满意。以下是典型的混淆矩阵（P =正，N =负）：

    P    N
P  13    2   
N   3   42

所以我很高兴，并且我认为我使用了30％的评价，我相信我不适应噪音。

因此我决定使用SVM进行双重检查，SVM无法收敛到一个好的解决方案。大多数情况下解决方案很糟糕（比如90％的错误......）。也许我并不完全了解SVM或者实现不正确，但它让我感到困扰，因为我认为当NN提供一个很好的解决方案时，由于它们的最大边缘超平面，SVM在大多数情况下更好地分离数据。 / p>

这对我的结果有什么看法？我适合噪音吗？我怎么知道这是否是正确的结果？

我正在使用Encog进行计算，但NN结果与我制作的本土NN模型相当。

Answer 1

如果您是第一次使用SVM，我强烈建议您查看着名SVM软件包A Practical Guide to Support Vector Classication的作者libsvm。它提供了一系列培训SVM分类器的建议。

• 将数据转换为SVM包的格式
• 对数据进行简单缩放
• 考虑RBF内核
• 使用交叉验证找出最佳参数C和γ
• 使用最佳参数C和γ
• 训练整套训练课程
• 测试

简而言之，请尝试缩放数据并仔细选择内核和参数。