我正在尝试使用 SVM 进行新闻文章分类。
我创建了一个包含功能（在文档中找到的唯一单词）作为行的表。
我创建了具有这些功能的权重向量映射。即如果文章中有一个单词是特征向量表的一部分，则该位置标记为1或0。
Ex： - 培训样本生成...
1 1：1 2：1 3：1 4：1 5：1 6：1 7：1 8：1 9：1 10：1 11：1 12：1 13：1 14：1 15：1 16：1 17：1 18：1 19：1 20：1 21：1 22：1 23：1 24：1 25：1 26：1 27：1 28：1 29：1 30：1
由于这是第一份文件，所有功能都存在。
我使用1，0作为班级标签。
我使用 svm.Net 进行分类。
我将300个权重向量手动分类为训练数据，生成的模型将所有向量作为支持向量，这肯定会过度拟合。
我的总功能（功能向量数据库表中的unique words/row count）为7610。
可能是什么原因？
由于这个过度拟合，我的项目现在状况非常糟糕。它将每篇文章分类为正面文章。
在 LibSVM 二进制分类中，是否对类标签有任何限制？
我使用0，1代替-1和+1。这是一个问题吗？
答案 0 :(得分：3)
你需要进行某种类型的参数搜索，如果类不平衡，分类器可能会在不做太多的情况下人为地获得高精度。这个guide is good在教授基本的，实用的东西时，你应该阅读它
答案 1 :(得分：1)
我肯定会尝试使用-1和+1作为标签，这是标准的方法。
另外，你有多少数据？由于你在7610维空间工作，你可能有那么多支持向量，其中一个不同的向量“支持”每个维度中的超平面。
有了这么多功能，你可能想尝试某种类型的特征选择方法，比如主成分分析。
答案 2 :(得分：1)
正如所指出的，在做其他任何事情之前，参数搜索可能是一个好主意。
我还会研究可用的不同内核。您输入数据是二进制的这一事实可能对RBF内核有问题（或者与其他内核相比可能使其使用次优）。但我不知道哪个内核更适合。尝试线性内核，并四处寻找更多建议/想法：）
有关更多信息和更好的答案，请查看stats.stackexchange.com。