Machine learning 如何为LibSVM选择合适的训练数据？

我有一个数据集，其中每一行代表广告/横幅印象。 一些印象属于+1类-这意味着用户在这个印象之后点击了广告，其他的属于-1类。 数据集包含1%的+1行和99%的-1行。总行数约为600万行

我做了两个实验：

当我将数据集分成两个大小相同的部分时，我得到99,95% 总精度，但+1级的精度为0%

当我拿走一半的时候 +将1行添加到训练集中，并附加相同数量的-1行（因此训练集中包含50%的+1行和50%的-1行），然后将其余的 测试数据中+1行的一部分和-1行的另一部分 设置-我获得95%的准确率。但是当我试着用火车模型 更大的数据集（99%的-1行和1%的+1行）-我只得到了3% 精度不足以满足生产使用

你能告诉我每节课我应该在训练集中放多少行吗？ 培训集（总共）应该有多大？

---

在我的例子中，如何正确地训练模型？

在这种设置中，通常会做很多事情，称为不平衡数据。计算机科学中有许多重要的问题是这样的：搜索引擎有数百万个文档，只有少数与搜索词相关，人脸检测器必须在没有人脸的地方（自然场景等）进行数百万次无检测。可以做很多事情

第一件事是你需要改变一下你测量准确度的方式。正如您已经看到的，只要说所有数据点都是负类，就可以获得99.5%的准确率，但是从预测的角度来看，这个分类器是绝对无用的

一种常用的技术是构建或确定分类器的合理操作点

在许多情况下，问题的目标决定了LIBSVM支持的每个类的不同权重。例如，将正片和负片混淆比将负片和正片混淆要贵100倍吗？训练SVM时，可以使用w1 100 w-1 1

当然，不要忘记找到一个好的C（或者如果使用RBF，找到一个好的C和gamma）的重要性

一般来说，这不是选择要训练的子集，而是调整训练和测试机制，使其在设置中合理工作