Python 如何获得支持向量机的精度？

我有一个支持向量机来分类大量的特征向量。它经过了大约一百万个特征向量的训练。我使用OpenCV SVM类来实现这一点。我如何衡量经过训练的SVM的准确性

我读到：

>>pred\u lbl、pred\u acc、pred\u val=svm\u预测（c\u检验、d\u检验、m）
准确度=76.6667%（46/60）（分类）

---

尽管已经使用了libsvm，但我认为OpenCV只是包装了libsvm类。我说得对吗？我想说的是，OpenCV中可能也有这样一个返回值

正如你在网页上看到的，他运行了一个网格搜索，以获得最佳的svm参数。最佳参数集是在精度最大化时获得的（

p\u acc[0]

）

---

或者我必须手工标记所有特征向量，以获得某种我可以估计精度的基本事实？这将是相当多的工作，并希望避免它

---

我在这里也看到了一些类似的问题，但我的问题没有明确的答案。提前谢谢

您可以通过保留一些数据（不用于训练）并测量模型在该数据上的性能来测量准确性。

我认为OpenCV只是包装了libsvm类-更多的是重写，基于原始libsvm代码“我必须手动标记所有特征向量吗”-它确实需要适当的标签进行训练。你现在用什么样的标签呢？基本上我从图像中获取特征向量，然后用kmeans对它们进行聚类。我的算法desides with cluster标记为class 1或class 2。我想获得某种在线学习，svm的准确度也将是衡量我自我标记表现好坏的一个指标。只需说：从kmeans/er或任何无监督方法获得的标记都离“基本真相”很远（好吧；）我至少希望通过85%的acc分数。到目前为止，结果看起来相当不错，但我必须首先测量acc。啊，好的，并且“根据该数据测量模型的性能”将被手动标记为基本事实数据？如果你不想再次训练，你也可以创建新的性能测量数据。但是，在培训期间保留数据可以让您自动测量性能和重新培训您希望将“培训”和“测试”集分开以避免偏差。您希望非常非常确定测试数据不包括在培训集中，即使是通过复制。这只是一种自动保留机制。