Поддержка векторной машины плохие результаты-Python

Question

Я изучаю SVM и реализовал этот код, он слишком простой, примитивный и занимает слишком много времени, но я просто хотел посмотреть, как он работает на самом деле. К сожалению, это дает мне плохие результаты. Что я упустил? Некоторая ошибка кодирования или математические ошибки? Если вы хотите посмотреть набор данных, это ссылка здесь. Я взял его из UCI Machine Learning Repository. Спасибо за вашу сделку.

def hypo(x,q): 
    return 1/(1+np.exp(-x.dot(q))) 

data=np.loadtxt('LSVTVoice',delimiter='\t'); 

x=np.ones(data.shape) 
x[:,1:]=data[:,0:data.shape[1]-1] 
y=data[:,data.shape[1]-1] 

q=np.zeros(data.shape[1]) 
C=0.002 

##mean normalization 
for i in range(q.size-1): 
    x[:,i+1]=(x[:,i+1]-x[:,i+1].mean())/(x[:,i+1].max()-x[:,i+1].min()); 

for i in range(2000): 
    h=x.dot(q) 
    for j in range(q.size): 
     q[j]=q[j]-(C*np.sum( -y*np.log(hypo(x,q))-(1-y)*np.log(1-hypo(x,q))) ) + (0.5*np.sum(q**2)) 

for i in range(y.size): 
    if h[i]>=0: 
     print y[i],'1'  
    else: 
     print y[i],'0' 

Answer 1

В зависимости от ваших данных, очень просто, что простая реализация SVM дает вам плохие результаты. Вы должны попробовать расширенную версию в реализации SVM (например, Sickit SVM), вы также можете это проверить: https://github.com/scikit-learn/scikit-learn/tree/master/sklearn/svm

SVM имеет типы реализации и параметры, такие как разные ядра (например, rbf). Вы должны проверить их и попробовать с разными параметрами (в зависимости от ваших данных) и сравнить результаты друг с другом.

Вы можете использовать сетку поиска подход для сравнения (проверить это: http://scikit-learn.org/stable/modules/grid_search.html)