我是机器学习和分类的新手。我正在为两种不同类型的图像类别进行分类。我已经计算出数据集中每个图像的逐块（重叠，滑动（1px），大小：3x3）特征，并将它们逐行存储。数据集中的一种类型（A）类别中有800张图像，另一种类型（B）类别中有450张图像。因此，基本上我在一个类中有800行和90000（约）列的数组，而在另一类中有450行和90000（约）列的数组。
现在，我想在这两个类上训练和测试SVM分类器。我尝试使用以下某些方法执行10折分类：
A类的每个替代图像和B类的前400个图像。精度约为70％（低TP，我正在考虑对B类较小的图像表示肯定）。
所有来自A类和所有B类的图像。准确度约为80％。
在第三种情况下，我使用基本重复测量对B类进行了上采样，即A类的所有图像，B类的所有图像+ B类的前350个图像，在高TP的情况下将精度提高到90％以上和高TN。
我正在按以下方式使用SVM：
SVMModel = fitcsvm(trained_data,gg,'Standardize',true,'KernelFunction','RBF','BoxConstraint', 32, 'KernelScale', 0.2008);
尽管我获得了不错的准确性，但是我不确定我的上采样方法是否可以接受。
问题1：我是否使用正确的方法对功能集进行了升采样？如果没有，我可以使用其他合适的方法吗？有什么建议么。 （我已经尝试过SMOTE，但由于我的数据值太小而无法使用。标准偏差和SMOTE执行加/乘运算，这会导致数据发生重大变化，并转移到其他类型的类上）
问题2：在这种情况下，是否可以在不进行手动上采样的情况下使用SVM？如果是，那我应该写些什么代替我已经在用的东西？
嗯，我已经根据交叉验证的错误分类率（第三种情况）决定了内核规模。
请指导我。