Tag: libsvm

LibSVM将我的所有训练向量转换为支持向量，为什么？

我正在尝试使用SVM进行新闻文章分类。 我创建了一个包含function（在文档中找到的唯一单词）作为行的表。 我用这些特征创建了权重向量映射。 即，如果文章的单词是特征向量表的一部分，则该位置标记为1或0 。 例如： – 培训样本生成… 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function都存在。 我使用0作为类标签。 我使用svm.Net进行分类。 我给出了300手动分类为训练数据的权重向量，生成的模型将所有向量作为支持向量，这肯定是过度拟合的。 我的总要素（特征向量数据库表中的unique words/row count ）是7610 。 可能是什么原因？ 由于这种过度拟合，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中，二进制分类是否对类标签有任何限制？ 我使用0而不是-1和+1 。 那是问题吗？

SVM可以逐步学习吗？

我正在使用多维SVM分类器（SVM.NET，libSVM的包装器）来分类一组function。 给定SVM模型，是否可以合并新的训练数据而无需重新计算所有先前的数据？ 我想另一种方式是：SVM是否可变？