【发布时间】：2019-07-24 12:56:35
【问题描述】：
我在一个数据集上应用了 svm，我达到了 100% 的准确率！ 但是当我使用 matlab 分类器应用程序时，我达到了 98.8% 的准确率。 在他们两个中，内核都是 RBF 。 在 python 中，我使用 20% 的数据作为测试数据，80% 的数据作为训练数据。 谁能解释一下？
all_data = pd.read_csv('data.csv', header=0, lineterminator="\n")
all_data = shuffle(all_data,random_state= 20)
all_data = all_data.apply(LabelEncoder().fit_transform)
data = np.array(all_data.drop('g', axis=1), dtype=np.float32)
labels = np.array(all_data['g'])
train_data = data[:200]
train_lable = labels[:200]
test_data = data[200:]
test_lable = labels[200:]
class_names = [25]
clf = svm.SVC(gamma=0.001)
clf.fit(train_data, train_lable)
score = clf.score(test_data,test_lable)
print(score)
【问题讨论】：
-
每个设置都一样吗？无论如何，差异很小
-
我不知道matlab是怎么分割训练数据和测试数据的，所以训练数据和测试数据可能会有一些差异，内核是一样的，其他设置都是默认的。跨度>
-
嗯，有你的答案；匹配设置，您将获得相同的性能。
-
经过大量搜索（我是 ML 等的初学者），这里是 python 和 Matlab 中的设置：在 python + kernel : RBF 中，使用一对一的方法（默认根据 sklearn doc 的 svm 是一对一的) , gamma = 0.0001 。在 MATLAB + 内核中：高斯（经过一番搜索，我意识到这两个（RBF 和高斯）是相同的。使用一对一方法，内核比例为 0.94。框约束级别：1（我不知道如何更改在 python 中，我在 sklearn 的 svm 文档中找不到任何内容。当我将 gamma 更改为 0.94 或更高时，准确度从 100% 降低到 40% 左右。
标签： python matlab classification svm