我对两个类别进行了SVM训练。一个是真实用户样本。第二个是与真实用户样本数量相等的多个负样本。我在未用于训练的类别上测试了这个系统。结果很有趣，我无法解释；我不知道这是不是预期的，SVM的问题还是其他原因。

(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)(0:0.9104172110162648)(1:0.08958278898373527)(Actual:1.0 Prediction:0.0)

以上是我对未训练和未见过的类别不同样本得到的输出示例。每个样本的输出完全相同。我期望它们更接近于类别1.0，我也期望至少概率上会有所变化！

回答：

你是否对模型的性能进行了交叉验证？你是否对超参数进行了网格搜索？

你的输出可能很容易被解释为机器学习执行不当。如果你使用的是RBF核，并且其宽度太小，那么唯一影响分类决策的因素将是偏置项。偏置项本质上对所有输入都是相同的。因此，你会得到所有未见测试数据的完全相同（或几乎相同）的输出（除非它非常非常接近训练数据）。

在不知道更多关于你的数据和你实际做了什么的细节之前，我不能确定这就是发生的情况。但这似乎是一个可能的场景。