我正在使用SVM-light，按照教程中的说明，将数据分类为两个类别：

训练文件：

 +1 6357:1 8984:1 11814:1 15465:1 16031:1 +1 6357:1 7629:0.727 7630:42 7631:0.025 -1 6357:1 11814:1 11960:1 13973:1 ...

测试文件：

 0 6357:1 8984:1 11814:1 15465:1 0 6357:1 7629:1.08 7630:33 7631:0.049 7632:0.03 0 6357:1 7629:0.069 7630:6 7631:0.016 ...

通过执行svm_learn.exe train_file model -> svm_classify.exe test_file model output，我在output中得到了一些意想不到的值：

 -1.0016219 -1.0016328 -1.0016218 -0.99985838 -0.99985853

这些值不应该是训练文件中的+1或-1吗？或者是介于-1和+1之间的浮点数，以便手动选择0作为分类解决方案，或者是其他数字？对我来说，当所有数字都接近-1，有些甚至更小，这是一个相当意外的状况。

更新1：据说如果结果是负数，则其类别为-1，如果是正数，则为+1。我仍然想知道符号后的这个值代表什么？我刚开始探索SVM，所以这可能是一个简单或愚蠢的问题:) 如果我的预测结果很差，我应该采取什么步骤 – 使用其他核函数？或者还有其他选项可以使SVM-light更适合我的数据？

回答：

简短回答：只需取结果的符号

较长的回答：SVM接受输入并返回一个实数值输出（这就是你看到的）。

在训练数据上，学习算法试图将所有正例的输出设置为>= +1，所有负例的输出设置为<= -1。这些点没有错误。-1和+1之间的间隙是“边界”。位于-1和+1之间的“无人区”的点以及完全错误一边的点（如负点输出>+1）是错误（学习算法试图在训练数据上最小化这些错误）。

因此，在测试时，如果结果小于-1，你可以合理地确定它是负例。如果大于+1，你可以合理地确定它是正例。如果介于两者之间，那么SVM对其相当不确定。通常，你必须做出决定（不能说“我不知道”），因此人们使用0作为正负标签之间的 cutoff。