Machine learning SVM二元分类器为所有测试数据预测一类

我有10个特征的分类问题，我必须预测

1

或

0

。当我对SVC模型进行训练时，通过训练测试分割，数据测试部分的所有预测值均为

0

。数据具有以下0-1计数：

• 0

  ：1875

• 1

  ：1463

培训模型的代码如下所示：

从sklearn.svm导入SVC
model=SVC（）
模型拟合（X\U系列、y\U系列）
pred=模型预测（X_检验）
从sklearn.metrics导入准确性\u分数
准确度评分（y检验，pred）`

---

为什么它预测所有情况下的

0

？

该模型预测更频繁的类，即使数据集也不太不平衡。很可能无法从功能中预测该类，因为它们现在是这样的

• 你可以试试
• 您可能想尝试的另一件事是看看这些特性之间的相关性。具有高度相关的特征也可能会阻止模型收敛
• 此外，您可能选择了错误的功能

---

对于分类问题，运行一个虚拟分类器作为起点总是好的。这会让你知道你的模型有多好

您可以将其用作代码：

from sklearn.dummy import DummyClassifier
dummy_classifier = DummyClassifier(strategy="most_frequent")
dummy_classifier.fit(X_train,y_train)
pred_dum= dummy_classifier.predict(X_test)
accuracy_score(y_test, pred_dum)

如果你总是预测最频繁的课程，这将给你一个准确度。例如，如果这是100%，这意味着数据集中只有一个类。80%表示80%的数据属于一个类

在第一步中，您可以调整SVC：

model = SVC(C=1.0, kernel=’rbf’, random_state=42)

C：浮动，可选（默认值=1.0）错误的惩罚参数C 任期

内核：指定要在算法中使用的内核类型。信息技术 必须是“线性”、“多边形”、“rbf”之一

这可以给你一个起点

最重要的是，你还应该对你的训练数据进行预测，看看你是过度拟合还是欠拟合

trainpred= model.predict(X_train)
accuracy_score(y_test, trainpred)