我已经在两个班级培训了一个SVM。一个是真正的用户样本。第二个是与真实用户相同样本量的许多负样本。我已经在不用于培训的课程上测试了这个系统。结果很有趣，我无法解释它们;我不知道这是预期的，SVM问题还是其他不同的东西。
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)
上面是我为未经训练和看不见的类的不同样本获得的输出类型的示例。每个样本都完全相同。我希望它们更接近1.0级，我也期望至少有一个概率的变化！
答案 0 :(得分：1)
您是否已经验证了您的模型＆＃39;表现完全？你有没有对超参数进行网格搜索？
您的输出可能很容易解释为机器学习执行不力。如果您使用的是RBF内核，并且其宽度太小，那么有助于分类决策的唯一因素是偏差项。就其性质而言，偏差项对于所有输入都是相同的。因此，对于所有看不见的测试数据，您将获得完全（或几乎）所有相同的输出（除非它非常接近训练数据）。
我无法确定这是在不了解您的数据的详细信息以及您实际执行的操作的情况下发生的事情。但这似乎是一种可能的情况。