Question

以下是代码粘贴：SVM sample code

我查看了这个问题的其他几个答案......似乎问题的这个特定迭代有点不同。

首先，我的输入被标准化，每点有五个输入。这些值都是合理的大小（健康的0.5s和0.7s等 - 很少接近零或接近1个数字）。

我有大约70个输入对应于他们的70 y输入。 y输入也被标准化（它们是每个时间步之后我的函数的百分比变化）。

我初始化我的SVR（和SVC），训练它们，然后用30个样本外输入测试它们......并获得每个输入的完全相同的预测（并且输入正在以合理的数量变化 - 0.3,0.6,0.5等）。我认为分类器（至少）会有一些区别......

这是我得到的代码：

# train svr

my_svr = svm.SVR()
my_svr.fit(x_training,y_trainr)

# train svc

my_svc = svm.SVC()
my_svc.fit(x_training,y_trainc)


# predict regression

p_regression = my_svr.predict(x_test)
p_r_series = pd.Series(index=y_testing.index,data=p_regression)

# predict classification

p_classification = my_svc.predict(x_test)
p_c_series = pd.Series(index=y_testing_classification.index,data=p_classification)

以下是我输入的样本：

x_training = [[  1.52068627e-04   8.66880301e-01   5.08504362e-01   9.48082047e-01
7.01156322e-01],
              [  6.68130520e-01   9.07506250e-01   5.07182647e-01   8.11290634e-01
6.67756208e-01],
              ... x 70 ]

y_trainr = [-0.00723209 -0.01788079  0.00741741 -0.00200805 -0.00737761  0.00202704 ...]

y_trainc = [ 0.  0.  1.  0.  0.  1.  1.  0. ...]

x_test矩阵（5x30）在输入的幅度和方差方面类似于x_training矩阵...... y_testr和y_testc相同。 / p>

目前，所有测试的预测完全相同（回归为0.00596，分类为1）。

如何让SVR和SVC函数吐出相关预测？或者至少基于输入的不同预测......

至少，分类器应该能够做出选择。我的意思是，即使我没有为回归提供足够的维度......

Answer 1

尝试从默认值中增加C值。看来你是不合身的。

my_svc = svm.SVC(probability=True, C=1000)
my_svc.fit(x_training,y_trainc)

p_classification = my_svc.predict(x_test)

然后

p_classification成为：

array([ 1.,  0.,  1.,  0.,  1.,  1.,  1.,  1.,  1.,  1.,  0.,  0.,  0.,
        1.,  0.,  0.,  0.,  0.,  0.,  1.,  1.,  0.,  1.,  1.,  1.,  1.,
        1.,  1.,  1.,  1.])

对于SVR案例，您还需要减少您的epsilon。

my_svr = svm.SVR(C=1000, epsilon=0.0001)
my_svr.fit(x_training,y_trainr)

p_regression = my_svr.predict(x_test)

然后

p_regression变为：

array([-0.00430622,  0.00022762,  0.00595002, -0.02037147, -0.0003767 ,
        0.00212401,  0.00018503, -0.00245148, -0.00109994, -0.00728342,
       -0.00603862, -0.00321413, -0.00922082, -0.00129351,  0.00086844,
        0.00380351, -0.0209799 ,  0.00495681,  0.0070937 ,  0.00525708,
       -0.00777854,  0.00346639,  0.0070703 , -0.00082952,  0.00246366,
        0.03007465,  0.01172834,  0.0135077 ,  0.00883518,  0.00399232])

您应该使用交叉验证调整C参数，以便能够在最重要的指标上发挥最佳性能。您可能需要查看GridSearchCV来帮助您完成此操作。

Answer 2

我遇到了同样的问题，但原因完全不同，因此寻找解决方案的地方完全不同。

如果您的预测输入因任何原因而被错误缩放，您可能会遇到与此处相同的症状。这可能是在稍后的预测中忘记（或错误编码）输入值的缩放，或者由于输入的顺序错误。

Answer 3

在我的情况下，我需要使用sklearn包中的StandardScaler来扩展我的数据。

此外，在我的情况下，我必须单独缩放每组功能，每种功能都可以单独缩放两种类型。

from sklearn.preprocessing import StandardScaler
ss = StandardScaler()
ss.fit(X[:,0:10])
X[:,0:10] = ss.transform(X[:,0:10])
ss = StandardScaler()
ss.fit(X[:,10:20])
X[:,10:20] = ss.transform(X[:,10:20])

Sklearn SVM：SVR和SVC，为每个输入获得相同的预测

3 个答案: