我正在使用Libsvm来解决二进制分类问题。我的数据集有~50K属性和18个样本。我正在使用一次性验证（对17个样品进行培训并对剩余样品进行测试）。我正在使用以下方法对数据进行规范化：
svm-scale -s scaling_parameters Train$i > TrainScaled$i
svm-scale -r scaling_parameters Test$i > TestScaled$i
培训和预测完成如下：
svm-train -s 0 -c 5 -t 2 -g 0.5 -e 0.1 TrainScaled$i model
svm-predict TestScaled$i model predicted.out
模型总是预测同一个类（多数一个）。所以我获得了75％的准确度，但该模型没用，因为它总是为每个样本预测相同的类。我尝试了不同类型的内核和参数，但我仍然有相同的结果。会是什么呢？这些数据难以被超平面“划分”吗？
答案 0 :(得分：0)
考虑到特征与类的比例，即使有大量的正则化，您的算法也可能过度拟合您的输入。您是否尝试过使用降维技术（如PCA）并使用少量功能？您还可以尝试某种特征选择算法来获得一小部分特征。
答案 1 :(得分：0)
我在应用程序中遇到了同样的问题，我在c ++项目中使用libsvm进行二进制分类，但是对于所有样本，它总是只预测一个类。
以下是有关我的应用程序的一些信息。
（1）我总共有260个训练样本，并将80％用于训练和交叉验证，并将20％用于测试。
（2）虽然我的功能数量为7218 ，但比示例数量大得多。
（3）对于二进制分类，我的类标签设置为0和1。
经过反复试验，我发现我的应用程序中SVM分类失败主要是由于使用功能的效率低造成的，这使得SVM分类模型过拟合，尤其是当有很多功能。