Machine learning SVM指示灯显示损坏的精度/召回结果

我运行SVM Light分类器，但它输出的召回/精度行似乎已损坏：

Reading model...OK. (20 support vectors read)
Classifying test examples..100..200..done
Runtime (without IO) in cpu-seconds: 0.00
Accuracy on test set: 95.50% (191 correct, 9 incorrect, 200 total)
Precision/recall on test set: 0.00%/0.00%

---

我应该配置什么来获得有效的精度和召回率？

例如，如果您的分类器总是预测“-1”——负类；然而，您的测试数据集包含191“-1”和9“+1”作为金色标签，您将得到191个正确分类，其中9个不正确

True positives : 0        (TP)
True negatives : 191      (TN)
False negatives: 9        (FN)
False positives: 0        (FP)
Thus:
               TP             0
Precision = -----------  = --------- = undefined
             TP + FP         0 + 0

               TP             0
Recall    = -----------  = --------- = 0
             TP + FN        0 + 9

从上面的公式中，您知道只要TP为零，您的精度/召回率就为零或未定义

---

要进行调试，您应该输出（对于每个测试示例）黄金标签和预测标签，以便知道问题所在。

例如，如果您的分类器总是预测“-1”--负类；然而，您的测试数据集包含191“-1”和9“+1”作为金色标签，您将得到191个正确分类，其中9个不正确

True positives : 0        (TP)
True negatives : 191      (TN)
False negatives: 9        (FN)
False positives: 0        (FP)
Thus:
               TP             0
Precision = -----------  = --------- = undefined
             TP + FP         0 + 0

               TP             0
Recall    = -----------  = --------- = 0
             TP + FN        0 + 9

从上面的公式中，您知道只要TP为零，您的精度/召回率就为零或未定义

---

要进行调试，您应该输出（对于每个测试示例）黄金标签和预测标签，以便知道问题所在。

例如，如果您的分类器总是预测“-1”--负类；然而，您的测试数据集包含191“-1”和9“+1”作为金色标签，您将得到191个正确分类，其中9个不正确

True positives : 0        (TP)
True negatives : 191      (TN)
False negatives: 9        (FN)
False positives: 0        (FP)
Thus:
               TP             0
Precision = -----------  = --------- = undefined
             TP + FP         0 + 0

               TP             0
Recall    = -----------  = --------- = 0
             TP + FN        0 + 9

从上面的公式中，您知道只要TP为零，您的精度/召回率就为零或未定义

---

要进行调试，您应该输出（对于每个测试示例）黄金标签和预测标签，以便知道问题所在。

例如，如果您的分类器总是预测“-1”--负类；然而，您的测试数据集包含191“-1”和9“+1”作为金色标签，您将得到191个正确分类，其中9个不正确

True positives : 0        (TP)
True negatives : 191      (TN)
False negatives: 9        (FN)
False positives: 0        (FP)
Thus:
               TP             0
Precision = -----------  = --------- = undefined
             TP + FP         0 + 0

               TP             0
Recall    = -----------  = --------- = 0
             TP + FN        0 + 9

从上面的公式中，您知道只要TP为零，您的精度/召回率就为零或未定义

---

要进行调试，您应该（针对每个测试示例）输出黄金标签和预测标签，以便知道问题所在。

谢谢greeness。你的回答对我也有帮助。

---

为避免此问题，请确保选择/分组测试和培训数据集，使其具有公平的正值和负值组合。

谢谢greeness。你的回答对我也有帮助。

---

为避免此问题，请确保选择/分组测试和培训数据集，使其具有公平的正值和负值组合。

谢谢greeness。你的回答对我也有帮助。

---

为避免此问题，请确保选择/分组测试和培训数据集，使其具有公平的正值和负值组合。

谢谢greeness。你的回答对我也有帮助。

---

为了避免这个问题,，确保对测试和培训数据集进行选择/分组，使其具有公平的正值和负值组合。

此类答案最好作为注释发布。此类答案最好作为注释发布。此类答案最好作为注释发布。此类答案最好作为注释发布。此类答案最好作为注释发布。