Почему SVMLite ошибочно классифицируется с небольшим количеством учебных входов?

Question

Я использую SVM Light для классификации изображений, обрабатываемых с помощью OpenCV. Изображения сделаны в черно-белых изображениях, немного размыты, а детектор HOG из opencv используется для создания вектор-функции с векторами из положительных изображений, помеченных 1-м и отрицательным изображениями с -1. Когда я запускаю файл данных SVMLight на 7 позитивных и 7 отрицательных изображениях процесса, он неправильно классифицирует 4 из 7 отрицательных файлов.

Однако на больших входах он тренируется без ошибочных классификаций. Кто-нибудь знает, почему это может быть так?

Correctly classifying negative images with a larger training input

Misclassifying 4 of 7 negative images while training

Answer 1

Это один из недостатков SVMs в целом. Например, в scikit учиться documentation, он отметил:

Недостатков машины опорных векторов включают в себя:

• Если количество функций гораздо больше, чем число образцов, метод, скорее всего, чтобы дать плохие результаты.