Hi, ich hatte einen eigenen SVM algorithmus geschrieben, mit dem ich meine Daten (krank ja/nein gegen diagnostische Parameter) leidlich klassifizieren kann. Komme auf 34% error bei 50% Chance-Level. Jetzt gibt es im neuen Matlab ja eine eingebaute SVM-Funktion für die Dummen. svmtrain und svmclassify. Komischerweise ist die Performance aber totaler Mist. Das Trainingsset wird zu 100% gefittet (wie bei meinem auch) aber im Testset hab ich wieder 50% Fehler. Zufall halt. Nehme ich statt dem Standardkernel (linear) den Gauss-Kernel, bekomme ich nur noch positive Resultate, also ebenfalls 50% Fehler, aber nicht mehr zufällig. Hat jemand Erfahrung damit? Hab schon versucht noch vorhe zu normalisieren, bringt nix. Und aufgrund der hohen Dimensionalität (450) kann man auch nix plotten... Die Beispiele von Matlab funktionieren jedenfalls.
Karl Otto schrieb: > Hab schon versucht noch vorhe zu > normalisieren, bringt nix. Und aufgrund der hohen Dimensionalität (450) > kann man auch nix plotten... Die Beispiele von Matlab funktionieren > jedenfalls. Regularisierungsparameter "durchprobiert"? Unter Umständen könnte auch eine PCA vor der SVM was bringen. Im ML-Kurs (Coursera/Stanford) gab's noch die Empfehlungen: n = Anzahl der Features, m = Anzahl der Trainingsbeispiele n >= m -> Logistische Regression oder SVM ohne Kernel. n = "klein", m = "mittel" -> SVM mit Gauß n = "klein", m = "groß" -> Features hinzufügen/erzeugen, dann logistische Regression oder SVM ohne Kernel.
Antwort schreiben
Bitte melde dich an, um einen Beitrag zu schreiben.