我使用LIBSVM和MatLab对34×5的数据进行分类，分为3个类别。我应用了10折交叉验证方法和RBF核。输出的混淆矩阵显示正确率为0.88（88%准确率）。这是我的混淆矩阵

9   0   0
0   3   0
0   4   18

我想知道在SVM内部有哪些方法可以考虑来提高准确率，或者其他机器学习技术中的分类方法。有什么建议吗？

这是我的SVM分类代码

load Turn180SVM1; //load data filelibsvm_options = '-s 1 -t 2 -d 3 -r 0 -c 1 -n 0.1 -p 0.1 -m 100 -e 0.000001 -h 1 -b 0 -wi 1 -q';//svm optionsC=size(Turn180SVM1,2);% cross validationfor i = 1:10    indices = crossvalind('Kfold',Turn180SVM1(:,C),10);    cp = classperf(Turn180SVM1(:,C));     for j = 1:10        [X, Z] = find(indices(:,end)==j);%testing        [Y, Z] = find(indices(:,end)~=j);%trainingfeature_training = Turn180SVM1([Y'],[1:C-1]); feature_testing = Turn180SVM1([X'],[1:C-1]);class_training = Turn180SVM1([Y'],end); class_testing = Turn180SVM1([X'], end);% SVM Training       disp('training');       [feature_training,ps] = mapminmax(feature_training',0,1);       feature_training = feature_training';       feature_testing = mapminmax('apply',feature_testing',ps)';       model = svmtrain(class_training,feature_training,libsvm_options);  % % SVM Prediction               disp('testing');        TestPredict = svmpredict(class_testing,sparse(feature_testing),model);       TestErrap = sum(TestPredict~=class_testing)./length(class_testing)*100;         cp = classperf(cp, TestPredict, X);        disp(((i-1)*10 )+j);end;end;[ConMat,order] = confusionmat(TestPredict,class_testing);cp.CorrectRate;cp.CountingMatrix;

回答：

存在许多方法。如果你的调优过程是最优的（例如，执行良好的交叉验证），你的选择包括：

1. 改进预处理，可能根据领域知识定制新的聚合特征。最重要（也是最有效）的：确保你的输入被正确标准化，例如通过将每个维度缩放到[-1,1]范围内。

2. 使用其他核函数：RBF核函数在多种环境下表现非常好，但许多任务有专门的核函数。除非你知道自己在做什么，否则不要考虑这一点。由于你处理的是低维问题，如果你的数据没有结构，RBF可能是很好的选择。

3. 重新加权训练实例：当你的数据集不平衡时（例如，一些类别的实例数量远少于其他类别）这点特别重要。你可以使用libsvm中的-wX选项来实现这一点。存在各种重新加权方案，包括提升的变体。我个人不太喜欢这种方法，因为这种方法容易过拟合。

4. 更改交叉验证的成本函数以适应你的具体需求。准确率真的是你想要的吗，还是你想要高F1或高ROC-AUC？令人惊讶的是，有多少人优化了一个他们并不真正关心的性能指标。