SVM分类 - 每个类的最小输入集数

Question

我正在尝试构建一个应用来检测来自网页的广告图像。一旦我发现了那些，我就不会允许那些在客户端显示。

从this Stackoverflow question的帮助中，我认为SVM是实现目标的最佳方法。

所以，我自己编写了SVM和SMO。我从UCI数据存储库获得的数据集有3280个实例（Link to Dataset），其中大约400个实例来自代表广告图像的类，其余代表非广告图像。

现在我正在使用前2800个输入集并训练SVM。但在查看准确率后，我意识到这2800个输入集中的大多数来自非广告图像类。因此，我对该课程的准确性非常高。

那我该怎么办？关于我应该向SVM提供多少输入集以进行训练，以及每个类有多少输入集？

感谢。干杯。 （基本上提出了一个新问题，因为上下文与我之前的问题不同。Optimization of Neural Network input data）

---

感谢您的回复。 我想检查一下我是否正确得出广告和非广告类的C值。 请给我反馈。

或者您可以看到文档版本here。

你可以在这里看到y1 eqaul到y2的图形

和y1在这里不等于y2

Answer 1

有两种方法可以解决这个问题。一种是平衡训练数据，因此它包括相同数量的广告和非广告图像。这可以通过对400个广告图像进行过采样或对数千个非广告图像进行欠采样来完成。由于训练时间会随着使用的数据点数量的增加而急剧增加，因此您可能应首先尝试对非广告图像进行欠采样，并创建一个包含400个广告图像和400个随机选择的非广告的训练集。

另一个解决方案是使用加权SVM ，以便广告图片的边距错误比非广告图片的权重更大，对于包libSVM，这是通过{{{ 1}}标志。根据您对数据的描述，您可以尝试权衡广告图片的重量比非广告重7倍。

Answer 2

训练集所需的大小取决于要素空间的稀疏程度。据我所知，您没有讨论您选择使用的图像功能。在训练之前，您需要将每个图像转换为描述图像的数字（特征）向量，希望能够捕捉到您关注的方面。

哦，除非你重新实现SVM for sport，否则我建议你只使用libsvm，