神经网络，不支持SVM的好结果;值得关注？

Question

我精心收集了我正在进行的概念证明研究的数据。数据由40个不同的主题组成，每个主题都有60个时间间隔测量的12个参数，1个输出参数为0或1.因此，我构建了一个二元分类器。

我事先就知道有输入参数和输出之间的非线性关系，以便贝叶斯分类器的简单感知器将无法样品进行分类。这个假设在初始测试后证明是正确的

所以我去了神经网络和我希望的效果还不错。通常结果是约1-5％的误差。培训是通过使用70％作为培训和30％作为评估来完成的。通过模型再次运行完整的数据集（100％），我对结果非常满意。下面是一个典型的混淆矩阵（P =正，N =负）：

P N 
P 13 2 
N 3 42 

因此，我很高兴，并与我使用的30％用于评价的概念我确信我不嵌合的噪声。

因此我决定支持向量机的双重检查和SVM无法收敛到一个很好的解决方案。大多数时候解决方案都很糟糕（比如90％的错误......）。也许我并不完全知道SVM或实现是不正确的，但它让我感到困扰，因为我认为当NN提供了一个好的解决方案时，由于它们的最大边界超平面，SVM在分离数据方面大部分时间更好。

这对我的结果有什么影响？我适合噪音吗？我怎么知道这是否是正确的结果？

我使用Encog进行计算，但NN效果媲美土生土长的NN模型我做了。

Answer 1

如果这是您第一次使用SVM，我强烈建议您参阅着名的SVM包libsvm的作者A Practical Guide to Support Vector Classication。它给出了一系列建议来训练您的SVM分类器。

• 变换数据到一个SVM包的格式
• 行为简单的缩放的数据
• 考虑RBF核
• 使用交叉验证来ND的最佳参数C和γ
• 使用最佳参数C和γ
• 训练整套训练集
• 测试

总之，尝试缩放数据并仔细选择内核和参数。