我编写了一个我认为相当简单的SVM分类器（SVM = 支持向量机）。使用不同参数的正态分布数据进行“测试”时，分类器返回给我50%的准确率。哪里出了问题？

这是代码，结果应该是可复现的：

features1 = normrnd(1,5,[100,5]);features2 = normrnd(50,5,[100,5]);features = [features1;features2];labels = [zeros(100,1);ones(100,1)];%% SVM-ClassificationnrFolds = 10; %number of folds of crossvalidationkernel = 'linear'; % 'linear', 'rbf' or 'polynomial'C = 1; % C is the 'boxconstraint' parameter. cvFolds = crossvalind('Kfold', labels, nrFolds);for i = 1:nrFolds                            % iterate through each fold    testIdx = (cvFolds == i);                % indices test instances    trainIdx = ~testIdx;                     % indices training instances    % train the SVM    cl = fitcsvm(features(trainIdx,:), labels(trainIdx),'KernelFunction',kernel,'Standardize',true,...    'BoxConstraint',C,'ClassNames',[0,1]);    [label,scores] =  predict(cl, features(testIdx,:));    eq = sum(labels(testIdx));    accuracy(i) = eq/numel(labels(testIdx));endcrossValAcc = mean(accuracy)

回答：

你计算准确率的方式有误。你需要确定有多少预测与原始数据相符。你只是简单地将测试集中1的总数加起来，而不是计算实际的正确预测数量。

因此，你必须将eq语句更改为如下：

eq = sum(labels(testIdx) == label);

请记住，labels(testIdx)从测试集中提取真实标签，而label是你的SVM模型的预测结果。这正确地生成了一个0/1向量，其中0表示预测与测试集中的实际标签不匹配，1表示它们一致。通过对每次它们一致，或者每次向量为1时进行求和，就是计算准确率的方式。