0.训练数据对分类器性能的影响

原文链接：http://blog.pluskid.org/?p=223

1.训练数据的不平衡性对分类器性能的影响（precision 、accuracy、error rate 等）

2.SVM（support vector machine）通过hyperplane切分数据，so we can have lots of reasonable hyperplane.

   对于需要复杂曲线才能切分的边界：将数据映射到高维空间，这样通常都能转化成可用线性边界切分的情况，

   use Kernel trick (https://en.wikipedia.org/wiki/Kernel_method)（用核函数映射到高维空间，实现线性可分）

3.We have infinite reasonable hyperplanes，but we just pick one,and SVM choose the hyperplane with the best margin.

margin 就是超平面到离它最近的点的距离，图中黑线到橙色虚线的距离，SVM 在不同位置和方向的超平面之中选择了黑色的这个，因为它的 margin 最大。

4.这样做有不少好处:a. SVM 只要集中关注在边缘上的那些点，亦即图中橙色虚线上的点，（这些点被称作 Support Vector ，因为每一个 数据可被表示成一个 D 维向量的），这在数据量变得非常大的时候可以很有效地减少计算复杂度。

   b.SVM 在实践中也被证明性能非常好， SVM 的归纳偏执可以看成是“margin 最大的 hyperplane 才是最好的”，实践证明，这看上去 颇有些 naive 的偏执表现很好，有优异的 generalization。

   c.由于训练数据中的 70% 实际上最终是没有什么用的，可以想像，如果“运气好”的话，刚好找到那三个 Support Vector ，直接把它们拿去做训练，一点都不浪费！这个想法是非常诱人的，因为在许多领域，要收集带 label 的训练数据通常代价都比较昂贵——需要人工进行标记。

5.不平衡的训练数据通常会降低分类器的性能，影响大小不能一概而论（原文有实验图），

而解决这个问题的办法一般有两种：

a.（数据）under sample(减少sample多的那一类的训练数据，通常选孤立点等）；over sample（增加sample少的那一类的训练数据，通常人工标注，复制粘贴让数据重复）

b.（算法）只要能把“我希望你不要歧视小众”这个美好愿望传达过去，结合到最终模型中，都可以算一种方法。

比如，有一种最土的办法是在训练完成之后再偷偷地把 hyperplane 往另一边挪一下。而其他看起来靠谱一点的方法却又有些复杂了（比如 moonykily 前几天给我看的这篇 Class-Boundary Alignment for Imbalanced Dataset Learning 就是在 Kernel Function/Matrix 上做手脚）

6.关于5的展开：我们已经有了一个 SVM 了，要选更多的 sample 吗？我们不是想要新加入的点都尽可能地变成 Support Vector 吗？那么 Support Vector 在哪里呢？靠近 hyperplane 的地方！bingo! 我们只要在收集到的所有 unlabeled data 中选取离 hyperplane 最近的一些点，标记一下，那么它们成为 Support Vector 的概率就很大了，并且结果很有可能比之前的 hyperplane 更好，然后我们可以用迭代的方法来选更多的点。

从 unlabeled data 中选出“重要”的 sample 来进行标记并用做下一步的训练数据.

一。

pluskid'SVM系列笔记（可当做目录对照看）