Machine learning 一类支持向量机的灵敏度随着训练样本数的增加而下降

我使用单类SVM进行异常值检测。结果表明，随着训练样本数量的增加，一类支持向量机检测结果的灵敏度TP/（TP+FN）下降，分类率和特异性都增加

用超平面和支持向量来解释这种关系的最好方法是什么

---

谢谢

你的训练例子越多，你的分类器就越不能正确地检测出真正的阳性

这意味着新数据与您正在训练的模型不匹配

下面是一个简单的例子

下面有两个类，我们可以使用线性内核轻松地将它们分开。 蓝色等级的灵敏度为1

当我在决策边界附近添加更多黄色的训练数据时，生成的超平面不能像以前那样适合数据

因此，我们现在看到有两个错误分类的蓝色数据点。 蓝色等级的灵敏度现在为0.92

随着训练数据数量的增加，支持向量会生成一个不太理想的超平面。可能由于额外的数据，线性可分离的数据集变得非线性可分离。在这种情况下，尝试不同的内核，如RBF内核可以有所帮助

编辑：添加有关RBF内核的更多信息：

您可以看到RBF内核会发生什么。 同样的逻辑也适用，如果训练数据在n维中不容易分离，则结果会更糟

您应该尝试使用交叉验证来选择更好的C

在中，图3说明了如果未正确选择C，结果可能会更糟：

如果我们没有选择合适的C，更多的训练数据可能会造成伤害。我们需要这样做 在正确的C上交叉验证以产生良好的结果

---

嗨@alexandrekow，谢谢你的回答。我正在使用RBF内核，仍然有这个问题。