Warum wird SVMLite mit wenigen Trainingseingaben falsch klassifiziert?

Question

Ich verwende SVM Light, um Bilder zu klassifizieren, die mit OpenCV verarbeitet werden. Bilder werden in S/W gemacht, etwas verschwommen und der HOG-Detektor von opencv wird verwendet, um einen Merkmalsvektor mit Vektoren von positiven Bildern, die mit einer 1 markiert sind, und negativen Bildern mit einer -1 zu erzeugen. Wenn ich die SVMLight-Zugdatei auf 7 positiven und 7 negativen Prozessbildern ausführe, werden 4 der 7 negativen Dateien falsch klassifiziert.

Bei größeren Eingängen wird jedoch ohne Fehlklassifizierungen trainiert. Weiß jemand, warum dies der Fall sein könnte?

Correctly classifying negative images with a larger training input

Misclassifying 4 of 7 negative images while training

Answer 1

Dies ist einer der Nachteile der SVM im Allgemeinen. Zum Beispiel in dem Scikit-Learn documentation, es erwähnt:

Die Nachteile der Support-Vektor-Maschinen umfassen:

• Wenn die Anzahl der Funktionen viel größer ist als die Anzahl der Proben ist, ist das Verfahren wahrscheinlich schlechte Leistungen geben.