SVM สำหรับข้อมูลที่ไม่สมดุล

ฉันต้องการใช้ Support Vector Machines (SVMs) ในชุดข้อมูลของฉัน ก่อนที่ฉันจะพยายามแก้ปัญหาฉันได้รับคำเตือนว่า SVM ไม่ทำงานได้ดีกับข้อมูลที่ไม่สมดุลอย่างยิ่ง ในกรณีของฉันฉันสามารถมีได้มากถึง 95-98% 0 และ 2-5% 1

ฉันพยายามค้นหาทรัพยากรที่พูดคุยเกี่ยวกับการใช้ SVM ในข้อมูลที่กระจัดกระจาย / ไม่สมดุล แต่สิ่งที่ฉันพบคือ 'sparseSVMs' (ซึ่งใช้เวกเตอร์สนับสนุนจำนวนเล็กน้อย)

ฉันหวังว่าบางคนสามารถอธิบายสั้น ๆ :

1. SVM คาดว่าจะทำอย่างไรกับชุดข้อมูลดังกล่าว
2. ซึ่งหากมีการปรับเปลี่ยนจะต้องทำกับอัลกอริทึม SVM
3. แหล่งข้อมูล / เอกสารใดที่กล่าวถึงเรื่องนี้

การประยุกต์ใช้ SVM จำนวนมากแก้ไขปัญหานี้โดยกำหนดน้ำหนักที่แตกต่างให้กับอินสแตนซ์บวกและลบ โดยพื้นฐานแล้วคุณจะต้องชั่งน้ำหนักตัวอย่างเพื่อให้ผลรวมของน้ำหนักสำหรับผลบวกจะเท่ากับน้ำหนักเชิงลบ แน่นอนว่าในการประเมิน SVM ของคุณคุณต้องจำไว้ว่าถ้า 95% ของข้อมูลเป็นลบมันเป็นเรื่องเล็กน้อยที่จะได้รับความแม่นยำ 95% โดยการทำนายเชิงลบเสมอ ดังนั้นคุณต้องตรวจสอบให้แน่ใจว่าตัวชี้วัดการประเมินของคุณนั้นมีน้ำหนักเพื่อให้สมดุล

โดยเฉพาะในlibsvmที่คุณเพิ่มเป็นแท็กมีธงที่ช่วยให้คุณกำหนดน้ำหนักของชั้นเรียน ( -wฉันเชื่อ แต่ตรวจสอบเอกสาร )

ในที่สุดจากประสบการณ์ส่วนตัวฉันสามารถบอกคุณได้ว่าฉันมักจะพบว่า SVM จะให้ผลลัพธ์ที่คล้ายกันมากโดยมีหรือไม่มีการแก้ไขน้ำหนัก

SVM ทำงานได้ดีกับข้อมูลที่กระจัดกระจายและไม่สมดุล SVM แบบถ่วงน้ำหนักในชั้นเรียนได้รับการออกแบบมาเพื่อจัดการกับข้อมูลที่ไม่สมดุลโดยการกำหนดบทลงโทษการจัดชั้นที่สูงขึ้นให้กับอินสแตนซ์การฝึกอบรมของชนชั้นน้อย

ในกรณีที่ข้อมูลเบาบางเช่น SVM นั้นจะทำงานได้ดี

ตามที่ระบุไว้โดย @Bitwise คุณไม่ควรใช้ความแม่นยำในการวัดประสิทธิภาพของอัลกอริทึม

แต่คุณควรคำนวณความแม่นยำการเรียกคืนและF-Scoreของอัลกอริทึม